Agenda szkolenia
  1. Wprowadzenie do sieci neuronowych
    • Inspiracja biologiczna
    • Model neuronu
    • Funkcje aktywacji
    • Architektura perceptronu wielowarstwowego
    • Działanie perceptronu wielowarstwowego
    • Metoda gradientu prostego
    • Parametry a hiperparametry
    • Uczenie perceptronu wielowarstwowego (algorytm propagacji wstecznej)
    • Uczenie batchowe a uczenie online
    • Tuning architektury
  2. Konwolucyjne sieci neuronowe
    • Czym jest computer vision?
    • Filtry i konwolucje
    • Warstwa poolingowa
    • Dlaczego konwolucje dają tak dobre rezultaty?
    • Klasyfikacja obrazów
    • Przegląd znanych architektur konwolucyjnych
    • Przeuczenie/niedouczenie (overfitting/underfitting)
    • Optymalizacja długości treningu sieci
    • Wzbogacanie danych (data augmentation)
    • Łączenie sieci konwolucyjnych w zespół (ensembling)
  3. Rekurencyjne sieci neuronowe
    • Architektura sieci rekurencyjnej
    • Wprowadzenie do przetwarzania języka naturalnego
    • Klasyfikacja tekstów
    • GRU a LSTM
    • Transfer learning