Deep learning w języku Python - techniki zaawansowane

Program szkolenia

1. Wstęp do modułów oraz narzędzi, używanych w Deep Learning oraz wskazanie różnic pomiędzy nimi.
   • Numpy, Pandas, Numba, Dash
   • Tensorflow, Keras, Pytorch, MXnet
   • Jupyter, Google Colab, Databricks, AWS SageMaker
2. Klasyfikacja i regresja za pomoca algorytmów sieci neuronowych.
   • Przewidywanie wysokości rachunków za prąd jako przykład regresji.
   • Określenie zdolności kredytowej jako przykład klasyfikacji.
3. Użycie Deep Learning w pracy z danymi tekstowymi.
   • Przygotowanie danych do pracy z sieciami rekurencyjnymi.
   • Przewidywanie sentymentu postów z portalu Twitter.
   • Generowanie komentarzy z pomocą sieci rekurencyjnych.
4. Deep learning w kontekście pracy z obrazami (Computer Vision).
   • Przypomnienie pojęcia splotu oraz sieci konwolucyjnych.
   • Przygotowanie danych do pracy z sieciami CNN.
   • Klasyfikacja obrazów.
   • Segmentacja obrazów.
5. Przewidywanie szeregów czasowych przy pomocy sieci typu LSTM.
   • Próba przewidywania wskaźników giełdowych lub kryptowalut.
6. Przegląd najpopularniejszych architektur oraz modeli typu State of the Art(SOTA).
   • Wyjaśnienie pojęcia transfer learning.
   • Wprowadzenie do Hugging Face oraz konkurencyjnych rozwiązań.
   • Użycie modeli typu SOTA i porównanie z ich analogami z poprzednich podpunktów.
   • Wskazanie zalet i wad użycia Deep Learning w praktyce.
7. Projekt.
   • Projekt end-to-end, od pozyskania danych do ich czytelnej prezentacji.
   • Praca w małym zespole.
   • Mentoring prowadzącego.