Szkolenie deep learning to praktyczny kurs, który uczy projektowania, trenowania i wdrażania sieci neuronowych, konwolucyjnych i rekurencyjnych, przygotowując do pracy z analizą obrazów i przetwarzaniem języka naturalnego
Szkolenie przygotowuje do samodzielnego projektowania, trenowania i wdrażania modeli głębokiego uczenia z wykorzystaniem nowoczesnych bibliotek
Szkolenie uczy praktycznego zastosowania sieci neuronowych do analizy danych, przetwarzania obrazów oraz tekstu w codziennej pracy
Szkolenie omawia metody optymalizacji, strojenia i ewaluacji modeli deep learning, umożliwiając skuteczne rozwiązywanie problemów biznesowych
Dla kogo?
Programistów, analityków danych i data scientistów z podstawową znajomością uczenia maszynowego i Pythona
Osób rozpoczynających pracę z sieciami neuronowymi, chcących rozwinąć praktyczne umiejętności deep learning
Specjalistów IT, którzy chcą wdrażać rozwiązania oparte na analizie obrazów lub przetwarzaniu języka naturalnego
Efekty kształcenia
Uczestnik projektuje i implementuje modele sieci neuronowych do różnych typów danych
Uczestnik analizuje i optymalizuje proces uczenia modeli głębokiego uczenia
Uczestnik stosuje techniki regularyzacji i zapobiega przeuczeniu modeli
Uczestnik wdraża konwolucyjne i rekurencyjne sieci neuronowe w praktyce
Uczestnik wykorzystuje transfer learning i data augmentation w zadaniach analizy obrazów
Uczestnik ocenia skuteczność i poprawność działania modeli deep learning
Wymagania
Od uczestników szkolenia wymagana jest podstawowa znajomość j ęzyka Python oraz znajomość podstaw uczenia maszynowego: wiedza na czym polegają problemy klasyfikacji i regresji, znajomość modeli regresji liniowej i logistycznej. Wymagana jest również podstawowa wiedza matematyczna: działania na macierzach, pochodne funkcji
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Co potrafią sieci neuronowe i kiedy należy je stosować
Uczenie głębokie a klasyczne uczenie maszynowe
Wady i zalety sieci neuronowych
Inspiracja biologiczna
Neurony - zasada działania
Funkcje aktywacji
Mechanizm uczenia sieci: metoda spadku gradientu, epoka, batch, early stopping
Zjawisko przeuczenia sieci (ang. overfitting)
Struktury sieci dla problemów regresji, klasyfikacji, klasyfikacji wieloetykietowej
Implementacja sieci neuronowych w TensorFlow.Keras
Praktyczne wykorzysstanie sieci dla problemów na danych tabelarycznych
SGD (metoda stochastycznego spadku gradientu)
SGD with momentum
Nesterov Accelerated Gradient
Adagrad
RMSProp
Adam
Inicjalizacja wag sieci
Regularyzacja klasyczna: l1, l2
Regularyzacja dropout
Normalizacja gradientu
Gradient clipping (przycinanie gradientu)
Batch normalization (normalizacja wsadowa)
Manipulacja wielkością współczynnika uczenia
Operacja splotu (konwolucji) w kontekście przetwarzaniu obrazów
Operacja poolingu
Wielowarstwowe sieci konwolucyjne
Klasyfikacja obrazów
Data augmentation - techniki rozszerzania zbioru uczącego w przetwarzaniu obrazów
Transfer learning - wykorzystanie gotowych, potężnych sieci neuronowych, uczonych na gigantycznych zbiorach danych
Sieć rekurencyjna prosta
Sieć LSTM
Sieć GRU
Klasyfikacja tekstów
Zanurzenia słów (ang. word embeddings)
Model word2vec, CBOW, skip-gram
Własności zanurzeń słów
Implementacja sieci z rozgałęzieniami - Functional API
Obsługa danych wielomodalnych - sieci o wielu kanałach wejściowych
Multitasking - sieci wykonujące wiele zadań jednocześnie, klasyfikacja wieloetykietowa
Optymalizacja struktury i hiperparametrów sieci
Checkpoints - serializacja modelu w trakcie uczenia
Zapis i wczytywanie modelu
Co dalej - przegląd technik zaawansowanych
Przegląd najnowszych osiągnięć deep learningu
Autorem szkolenia jest Norbert Ryciak
Data Scientist w SigDelta. Od lat zajmuje się uczeniem maszynowym, a specjalizuje się w obszarze przetwarzania języka naturalnego i sztucznych sieciach neuronowych (deep learning. W 2015 roku ukończył z wyróżnieniem matematykę na Politechnice Warszawskiej o specjalizacji Statystyka Matematyczna i Analiza Danych. Kontynuował rozwój na doktoracie, w ramach którego prowadził badania nad metodami głębokiego uczenia w zastosowaniach związanych z przetwarzaniem tekstów - rozpoznawaniem wydźwięku i analizą…
Szkolenie poprowadzi jego autor Norbert Ryciak
Data Scientist w SigDelta. Od lat zajmuje się uczeniem maszynowym, a specjalizuje się w obszarze przetwarzania języka naturalnego i sztucznych sieciach neuronowych (deep learning. W 2015 roku ukończył z wyróżnieniem matematykę na Politechnice Warszawskiej o specjalizacji Statystyka Matematyczna i Analiza Danych. Kontynuował rozwój na doktoracie, w ramach którego prowadził badania nad metodami głębokiego uczenia w zastosowaniach związanych z przetwarzaniem tekstów - rozpoznawaniem wydźwięku i analizą…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
Dużo teorii i praktyki ze zwróceniem uwagi na aktualnie stosowane rozwiązania w DL.
4.12.2025
Uczestnik szkolenia “Deep learning”
Rafał Gasz
ciekawie poprowadzone, wiele wartościowych treści i przykładów
4.12.2025
Uczestnik szkolenia “Deep learning”
Szymon Turzański
trener mówił konkretnie, odpowiadał na pytania, wspominał o wątkach wychodzących poza temat szkolenia, jednocześnie nie odchodził od głównych tematów, teoria przed zadaniami sprawnie przekazywana
27.03.2025
Uczestnik szkolenia “Deep learning”
Katarzyna Kołoda
Bardzo interesujące i angażujące zajęcia! W żadnym kursie ani na studiach nie spotkałam się z tak przystępnym wyjaśnieniem tych zagadnień, jak przez Norberta. Do tego ciekawe przykłady ćwiczeniowe i cenne wskazówki praktyczne. Świetny kurs zarówno żeby zacząć z deep learnigiem, jak i uporządkować/poszerzyć wiedzę :)
27.03.2025
Uczestnik szkolenia “Deep learning”
Dawid Liberda
W końcu zrozumiałem sieci neuronowe, uporządkowałem wiedzę i zapoznałem się dobrze z Tensorflow.
19.12.2024
Uczestnik szkolenia “Deep learning”
Sebastian Besiński
duża wiedza merytoryczna prowadzącego, dobre tłumaczenie podstaw