Kurs Deep learning

1. Podstawy Deep Learning

• architektura sieci neuronowych i matematyczne podstawy (tensory, gradienty, backpropagation),
• praktyczna implementacja w PyTorch i TensorFlow z przykładami biznesowymi,
• techniki optymalizacji i regularyzacji na rzeczywistych zbiorach danych,
• projekt: budowa modelu predykcyjnego dla analizy sprzedaży.

2. Konwolucyjne sieci neuronowe (CNN)

• implementacja systemów wizyjnych dla kontroli jakości (case study: automotive),
• transfer learning z modelami ResNet i EfficientNet na własnych danych,
• detekcja obiektów z YOLO i Faster R-CNN w zastosowaniach przemysłowych,
• projekt: system automatycznej inspekcji produktów.

3. Rekurencyjne sieci neuronowe (RNN)

• przetwarzanie sekwencji danych,
• LSTM i GRU w praktyce,
• analiza szeregów czasowych,
• predykcja trendów rynkowych.

4. Transformery i modele językowe

• architektura Transformer,
• BERT, GPT i najnowsze modele,
• Fine-tuning dla specyficznych zadań,
• zastosowania w automatyzacji procesów.

5. Generative AI

• Generative Adversarial Networks (GAN),
• Variational Autoencoders (VAE),
• generowanie i edycja obrazów,
• zastosowania w projektowaniu i produkcji.

6. MLOps dla Deep Learning

• zarządzanie eksperymentami,
• wdrażanie modeli w produkcji,
• monitoring i aktualizacja modeli,
• optymalizacja kosztów infrastruktury.

7. Optymalizacja wydajności

• techniki przyspieszania treningu,
• kwantyzacja i kompresja modeli,
• Distributed training,
• optymalizacja na urządzeniach brzegowych.

8. Projekty praktyczne

• system rozpoznawania produktów,
• analiza sentymentu klientów,
• predykcja awarii maszyn,
• automatyzacja procesów dokumentowych.