Szkolenie Convolutional Neural Networks

Infoshare to największa społeczność technologiczna w CEE i organizator wiodącej konferencji tech w Gdańsku. Łączy startupy, inwestorów, korporacje i pasjonatów innowacji. Promuje przedsiębiorczość, dzielenie się wiedzą i networking. Dzięki wydarzeniom, konkursom i programom wspiera rozwój ekosystemu technologicznego w Polsce i regionie.

Intensywne, praktyczne szkolenie z zakresu sieci neuronowych konwolucyjnych (CNNs). Podczas tego dwudniowego kursu uczestnicy zdobędą dogłębną wiedzę teoretyczną oraz, co najważniejsze, praktyczne umiejętności w projektowaniu, implementacji i trenowaniu konwolucyjnych sieci neuronowych. Kurs łączy teorię z praktyką, kładąc nacisk na hands-on experience w proporcji 80% warsztatów do 20% wykładów.

• Programistów, data scientistów, inżynierów uczenia maszynowego oraz badaczy, którzy chcą pogłębić swoją wiedzę w zakresie CNN i zyskać praktyczne umiejętności w ich implementacji i optymalizacji.
• Osób z podstawowa znajomością Pythona oraz podstawowa wiedzą z zakresu uczenia maszynowego i sieci neuronowych
• Dla tych, którzy mają minimalne doświadczenie z bibliotekami ML, takimi jak scikit-learn, TensorFlow lub PyTorch
• Osób pracujących w środowisku Jupyter Notebook

• Projektowania i implementacji zaawansowanych architektur CNN
• Technik optymalizacji i fine-tuningu modeli konwolucyjnych
• Praktycznego zastosowania transfer learningu w zadaniach wizyjnych
• Wdrażania i optymalizacji modeli CNN w rzeczywistych projektach

• Dzień 1

  • Wprowadzenie do sieci neuronowych oraz sieci konwolucyjnych

  • Podstawy architektury sieci neuronowej

  • Architektura CNN

  • Porównanie CNN z tradycyjnymi sieciami neuronowymi

  • Warstwy konwolucyjne i pooling

  • Implementacja warstw konwolucyjnych w PyTorch

  • Projektowanie i optymalizacja warstw pooling

  • Warsztaty: budowa prostej CNN

    • Tworzenie modelu CNN od podstaw

    • Analiza wpływu różnych architektur na wydajność

  • Techniki transfer learning w CNN

    • Wykorzystanie pre-trenowanych modeli

    • Fine-tuning modeli na własnych danych

• Dzień 2

  • Zaawansowane architektury CNN

    • Implementacja ResNet i Inception

    • Analiza porównawcza wydajności różnych architektur

  • Optymalizacja i regulacja CNN

    • Techniki regularyzacji: dropout, batch normalization

    • Strategie optymalizacji hiperparametrów

  • Warsztaty: rozwiązywanie złożonych problemów wizyjnych

    • Implementacja modelu do klasyfikacji obrazów

    • Tworzenie systemu detekcji obiektów

  • Wdrażanie modeli CNN w praktyce

    • Optymalizacja modeli pod kątem wydajności

    • Integracja CNN z aplikacjami w czasie rzeczywistym

16 h/2 dni