Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan Szkolenia
Kurs podzielony jest na trzy oddzielne dni, z których trzeci jest opcjonalny.
Dzień 1 - Machine Learning i Deep Learning: koncepcje teoretyczne
1. Wprowadzenie do sztucznej inteligencji Machine Learning & Deep Learning
- Historia, podstawowe pojęcia i powszechne zastosowania sztucznej inteligencji, dalekie od fantazji związanych z tą dziedziną.
- Kolektywna inteligencja: agregowanie wiedzy współdzielonej przez wielu wirtualnych agentów
- Algorytmy genetyczne: rozwój populacji wirtualnych agentów poprzez selekcję.
- 5] zwykle: definicja.
- Rodzaje zadań: uczenie nadzorowane, uczenie nienadzorowane, uczenie ze wzmocnieniem
- Rodzaje działań: klasyfikacja, regresja, grupowanie, szacowanie gęstości, redukcja wymiarowości
- Przykłady algorytmów Machine Learning: regresja liniowa, Naive Bayes, Random Tree
- Uczenie maszynowe VS Deep Learning: problemy, w których Machine Learning pozostaje aktualnym stanem wiedzy (Random Forests & XGBoosts).
2. Podstawowe koncepcje sieci neuronowej (zastosowanie: perceptron wielowarstwowy)
- Przypomnienie podstaw matematycznych.
- Definicja sieci neuronowej: klasyczna architektura, funkcje aktywacji i wagi dla poprzednich aktywacji, głębokość sieci itp.
- Definicja uczenia sieci neuronowej: funkcje kosztu, propagacja wsteczna, stochastyczne opadanie gradientu, maksymalne prawdopodobieństwo.
- Modelowanie sieci neuronowej: modelowanie danych wejściowych i wyjściowych w zależności od rodzaju problemu (regresja, klasyfikacja itp.). Przekleństwo wymiarowości. Rozróżnienie między danymi wielocechowymi a sygnałem. Wybór funkcji kosztu w zależności od danych.
- Aproksymacja funkcji za pomocą sieci neuronowej: prezentacja i przykłady
- Przybliżanie rozkładu za pomocą sieci neuronowej: prezentacja i przykłady.
- Powiększanie danych: jak zrównoważyć zbiór danych
- Uogólnianie wyników sieci neuronowej.
- Inicjalizacja i regularyzacja sieci neuronowej: regularyzacja L1/L2, normalizacja wsadowa itp.
- Algorytmy optymalizacji i zbieżności.
3. Popularne narzędzia ML/DL
Prosta prezentacja z zaletami, wadami, pozycją w ekosystemie i zastosowaniem.
- Narzędzia do zarządzania danymi: Apache Spark, Apache Hadoop.
- Popularne narzędzia Machine Learning: Numpy, Scipy, Sci-kit
- Wysokopoziomowe frameworki DL: PyTorch, Keras, Lasagne
- Niskopoziomowe frameworki DL: Theano, Torch, Caffe, Tensorflow
Dzień 2 - Sieci konwolucyjne i rekurencyjne
4. Sieci konwolucyjne Neural Networks (CNN).
- Prezentacja CNN: podstawowe zasady i zastosowania
- Podstawowe działanie CNN: warstwa konwolucyjna, użycie jądra, padding i stride, generowanie map cech, warstwy łączące. Rozszerzenia 1D, 2D i 3D.
- Prezentacja różnych architektur CNN, które reprezentują aktualny stan wiedzy w klasyfikacji obrazów: LeNet, VGG Networks, Network in Network, Inception, Resnet. Prezentacja innowacji wprowadzonych przez każdą architekturę i ich bardziej globalnych zastosowań (splot 1x1 lub połączenia szczątkowe).
- Wykorzystanie modelu uwagi.
- Zastosowanie w typowym scenariuszu klasyfikacji (tekst lub obraz).
- CNN do generowania: super-rozdzielczość, segmentacja piksel po pikselu. Prezentacja głównych strategii rozszerzania mapy cech do generowania obrazów.
5. Sieci rekurencyjne Neural Networks (RNN).
- Prezentacja sieci RNN: podstawowe zasady i zastosowania.
- Podstawowe działanie RNN: ukryta aktywacja, wsteczna propagacja w czasie, wersja rozwinięta.
- Rozwój w kierunku GRU (Gated Recurrent Units) i LSTM (Long Short Term Memory). Prezentacja różnych stanów i zmian wprowadzonych przez te architektury.
- Zbieżność i problemy z zanikającym gradientem
- Rodzaje klasycznych architektur: przewidywanie szeregów czasowych, klasyfikacja itp.
- Architektura kodera-dekodera RNN. Wykorzystanie modelu uwagi.
- Zastosowania NLP: kodowanie słów/znaków, tłumaczenie.
- Zastosowania wideo: przewidywanie następnego wygenerowanego obrazu sekwencji wideo.
Dzień 3 - Modele generacyjne i Reinforcement Learning.
6. Modele generacyjne: Variational AutoEncoder (VAE) i Generative Adversarial Networks (GAN).
- Prezentacja modeli generacyjnych, powiązanie z CNN z dnia 2.
- Autoenkoder: redukcja wymiarowości i ograniczona generacja
- Wariacyjny autoenkoder: model generacyjny i aproksymacja rozkładu danych. Definicja i wykorzystanie przestrzeni ukrytej. Sztuczka reparametryzacji. Zastosowania i zaobserwowane ograniczenia
- Generatywne sieci adwersarzy: podstawowe zasady. Architektura dwóch sieci (generator i dyskryminator) z naprzemiennym uczeniem, dostępne funkcje kosztu.
- Zbieżność GAN i napotkane trudności.
- Ulepszona zbieżność: Wasserstein GAN, BeGAN. Odległość poruszania się po ziemi.
- Zastosowania do generowania obrazów lub zdjęć, generowania tekstu, superrozdzielczości.
rozdzielczość.
7. Deep Reinforcement Learning.
- Prezentacja uczenia ze wzmocnieniem: kontrola agenta w środowisku zdefiniowanym przez stan i możliwe działania.
- Wykorzystanie sieci neuronowej do aproksymacji funkcji stanu
- Deep Q Learning: odtwarzanie doświadczeń i zastosowanie do sterowania grą wideo.
- Optymalizacja polityki uczenia się. Polityka włączona i polityka wyłączona. Architektura krytyka aktorów. A3C.
- Zastosowania: kontrola prostej gry wideo lub systemu cyfrowego.
Wymagania
Poziom inżyniera
21 godzin
Opinie uczestników (1)
Świetny kontakt z uczestnikami, wiedza praktyczna co bardzo się ceni. Dostosowanie toku / tempa. Duuuży plus, mega pozytywny instruktor, aż szkoda że szkolenie trwało tylko 2 dni.
