Deep Learning, czyli głębokie uczenie maszynowe z wykorzystaniem sztucznych sieci neuronowych jest jednym z najszybciej rozwijających się obszarów sztucznej inteligencji. Wysoka skuteczność, duża elastyczność oraz szerokie zastosowania obejmujące m.in. rozpoznawanie obrazów i mowy, analizę języka naturalnego czy wszelkiego rodzaju problemy klasyfikacyjne czynią z sieci neuronowych jedno z podstawowych narzędzi stosowanych w zaawansowanej analizie danych.
W ramach szkolenia uczestnicy zapoznają się z zasadami działania oraz najważniejszymi rodzajami sieci neuronowych. Przeprowadzane w trakcie ćwiczenia praktyczne obejmują projektowanie, budowę, trenowanie oraz wykorzystanie modeli tworzonych z wykorzystaniem języka Python oraz bibliotek Tensorflow, Theano i Keras.

Szkolenie jest przeznaczone dla osób chcących zapoznać się z możliwościami analizy i eksploracji danych z użyciem sztucznych sieci neuronowych. Umiejętności nabyte w trakcie szkolenia mogą być przydatne w codziennej pracy osoby odpowiedzialnej za budowę oraz wdrażanie modeli uczenia maszynowego stosowanych w analizie danych.

Od uczestników szkolenia wymagana jest znajomość środowiska Windows oraz podstaw programowania w języku Python lub dowolnym innym języku programowania. Przydatna będzie również znajomość podstaw statystyki oraz technik matematycznych stosowanych w analizie danych.

3 dni po 8 godzin lekcyjnych

• Narzędzia stosowane w uczeniu maszynowym:

• Głębokie uczenie maszynowe, sieci neuronowe – podstawowe pojęcia, zasada działania, zastosowania
• Budowa sztucznej sieci neuronowej – neurony i warstwy
• Funkcje aktywacji i błędu
• Perceptron jedno- oraz wielowarstwowy i algorytm propagacji wstecznej
• Przeuczenie, generalizacja
• Przekształcanie danych na potrzeby modeli uczenia maszynowego
• Analiza głównych składowych (PCA)
• Sieci Kohonena
• Główne rodzaje architektury sieci neuronowych
• Sieci konwolucyjne (Convolutional Neural Networks - CNN)
• Sieci rekurencyjne (Recurrent Neural Networks – RNN)
• Deep Belief Networks
• Generative Adversarial Networks (GAN)
• Autoenkodery (Autoencoders)
• Inne architektury
• Wykorzystanie Tensorflow, Theano oraz biblioteki Keras do tworzenia, trenowania oraz uruchamiania modeli opartych na sieciach neuronowych
• Konfiguracja środowiska, instalacja, używane biblioteki i moduły
• Tensorflow – wprowadzenie, budowa grafów obliczeniowych
• Przykładowy zestaw danych MNIST – ładowanie i procesowanie danych
• Zestaw danych CIFAR
• Definicja architektury modelu, kompilacja, trenowanie oraz ewaluacja modelu.

Po ukończeniu kursu uczestnik/czka będzie potrafił/a:

• Wykorzystywać język Python oraz Jupyter do tworzenia interaktywnych dokumentów oraz analiz wykorzystujących modele uczenia maszynowego.
• Wybrać architekturę oraz zaprojektować model uczenia maszynowego wykorzystujący sieci neuronowe.
• Przygotować i przekształcić wejściowy zestaw danych do postaci wymaganej przez modele uczenia maszynowego.
• Przeprowadzić proces uczenia oraz dokonać ewaluacji wytrenowanego modelu.
• Wykorzystać pakiety Tensorflow, Theano oraz Keras do budowy modeli uczenia maszynowego.

• Deep Learning, An MIT Press book, Ian Goodfellow, Yoshua Bengio, Aaron Courville http://www.deeplearningbook.org/

Sprawdź pełną ścieżkę rozwoju w języku Python!