Szkolenie jest kontynuacją warsztatu z „Uczenia maszynowego w Pythonie” przygotowanego przez prof. UAM dr hab. Tomasza Góreckiego. Uczenie głębokie, to jedna z najszybciej rozwijających się gałęzi sztucznej inteligencji. Polega na tworzeniu sieci neuronowych. Sieć neuronowa to ogromna ilość połączonych ze sobą i działających w tym samy czasie procesorów. Każdy z nich posiada dostęp do pamięci lokalnej, i jest zasilany dużą ilością danych oraz informacją na temat związków między danymi. Podstawowe zastosowania uczenia głębokiego: rozpoznawanie mowy, rozpoznawanie obrazu, przetwarzanie wideo, przetwarzanie języka naturalnego, tłumaczenia tekstu, systemy rekomendacji filmów czy książek. Po ukończeniu kursu, uczestnicy powinni samodzielnie przeprowadzać zaawansowane analizy danych, korzystając z najnowszych technik uczenia maszynowego i głębokiego uczenia. Będą także w stanie projektować, implementować i oceniać modele sieci neuronowych za pomocą bibliotek H2O i Keras, co jest kluczowe dla wielu zaawansowanych zastosowań uczenia maszynowego. Szkolenie ma charakter prowadzonego na żywo warsztatu ze sprawdzaniem postępów uczestników i możliwością zadawania pytań. Uczestnicy po zakończeniu warsztatu otrzymają pocztą elektroniczną certyfikat potwierdzający ukończenie kursu.

Terminy: 2 i 3 lipca 2025, 9:00-14:00 (2-dniowe warsztaty online)

Liczba godzin: 10 (5 godzin każdego dnia z przerwą kawową).

Lokalizacja: warsztaty zdalne.

Grupa: maksymalnie 10 osób.

Wykładowca: Prof. UAM dr hab. Tomasz Górecki.

Cena: 1899 zł netto (2335,77 zł brutto). Pracownikom finansowanym przez instytucje naukowe (lub inne jednostki finansowane ze środków publicznych) przysługuje zwolnienie z VAT.

Metody płatności: przelew na konto. 

Zagadnienia:

• Biblioteka H2O. Biblioteka H2O to otwarte narzędzie do analizy danych, które oferuje wszechstronny wybór algorytmów do uczenia maszynowego. Działa na platformach takich jak R, Python i Scala, a także na platformach Big Data, takich jak Hadoop i Spark. Wśród najważniejszych cech H2O są jego zdolność do skalowania na wielowątkowych systemach i obsługa uczenia maszynowego na dużą skalę. H2O jest dobrze znanym i szeroko stosowanym narzędziem w społeczności naukowców danych, ze względu na jego elastyczność, wydajność i wszechstronność.
• Automatyczne modele uczenia maszynowego (AutoML). H2O dostarcza też zestaw narzędzi do automatycznego uczenia maszynowego, które pomagają w automatycznym wyborze najlepszego modelu dla danego zestawu danych.
• Wprowadzenie do sieci neuronowych (historia, podstawowe typy sieci, budowa klasycznych sieci neuronowych, metody uczenia, hiperparametry).
• Wprowadzenie do głębokich sieci neuronowych (budowa sieci głębokich, typy warstw, zalety).
• Biblioteka keras. Keras to biblioteka do głębokiego uczenia maszynowego napisana w Pythonie, której celem jest umożliwienie szybkiego eksperymentowania z sieciami neuronowymi. Jest ona łatwa do zrozumienia i do użycia, a jednocześnie jest wysoce modularna i elastyczna, co pozwala na łatwe tworzenie i prototypowanie modeli sieci neuronowych. Keras oferuje API wysokiego poziomu, które abstrahuje wiele szczegółów technicznych, co pozwala na skupienie się na projektowaniu i doskonaleniu modeli. Biblioteka obsługuje wiele typów modeli, w tym sieci konwolucyjne, rekurencyjne, a także kombinacje tych typów. Keras pierwotnie został stworzony jako interfejs użytkownika dla biblioteki TensorFlow, ale teraz obsługuje wiele różnych backendów obliczeniowych, w tym TensorFlow, Theano i Microsoft Cognitive Toolkit.
• Konwolucyjne (splotowe) sieci neuronowe.
• Sieci rekurencyjne, w szczególności sieci typu LSTM oraz GRU.

Cele kształcenia

Po kursie uczestnik będzie:

1. Posiadać wiedzę i umiejętności w zakresie zaawansowanych narzędzi i metod uczenia maszynowego oraz sieci neuronowych.
2. Znać bibliotekę H2O, umożliwiającą:
1. Przeprowadzanie analiz danych i wdrażanie algorytmów uczenia maszynowego na dużą skalę,
2. Pracę zarówno w środowiskach lokalnych, jak i na platformach Big Data, takich jak Hadoop i Spark.
3. Potrafić wykorzystywać H2O w języku Python oraz korzystać z narzędzi AutoML do automatyzacji wyboru najlepszego modelu.
4. Posiadać solidne podstawy w zakresie sieci neuronowych, w tym:
1. Historię i typy sieci,
2. Metody budowy klasycznych sieci neuronowych,
3. Zasady doboru hiperparametrów i techniki uczenia sieci.
5. Znać głębokie sieci neuronowe, w tym:
1. Ich budowę,
2. Typy warstw,
3. Zalety i mechanizmy stojące za ich skutecznością w analizie i przetwarzaniu danych.
6. Umieć korzystać z biblioteki Keras, co umożliwia:
1. Szybkie i intuicyjne projektowanie, trenowanie oraz prototypowanie sieci neuronowych,
2. Skupienie się na projektowaniu i doskonaleniu modeli dzięki prostemu i modularnemu interfejsowi.
7. Potrafić tworzyć różnorodne modele sieci neuronowych, takie jak:
1. Sieci konwolucyjne (CNN) – do przetwarzania obrazów i danych przestrzennych,
2. Sieci rekurencyjne (RNN), w szczególności:
• LSTM (Long Short-Term Memory),
• GRU (Gated Recurrent Unit) – do analizy danych sekwencyjnych, takich jak tekst, czas czy szeregi czasowe.
8. Umieć samodzielnie tworzyć i wdrażać modele uczenia maszynowego oraz sieci neuronowych.
9. Rozumieć szerokie możliwości zastosowań zdobytych umiejętności w:
1. Analizie danych,
2. Przetwarzaniu obrazów,
3. Analizie języka naturalnego,
4. Innych dziedzinach wymagających zaawansowanych metod analitycznych.

Prof. UAM dr hab. Tomasz Górecki

Profesor uczelni w Zakładzie Statystyki Matematycznej i Analizy Danych na Wydziale Matematyki i Informatyki Uniwersytetu im. Adama Mickiewicza w Poznaniu, prodziekan ds. grantów i współpracy z gospodarką na Wydziale Matematyki i Informatyki UAM. Naukowo zajmuje się analizą szeregów czasowych, analizą danych funkcjonalnych oraz sztuczną inteligencją. Zajmuje się również zastosowaniami metod statystycznych i uczenia maszynowego w praktycznych zagadnieniach. Od ponad dwudziestu lat prowadzi zajęcia związane z rachunkiem prawdopodobieństwa, statystyką, uczeniem maszynowym i sztuczną inteligencją. Współpracuje z wieloma firmami na polu uczenia maszynowego i sztucznej inteligencji (Lidl, OLX, PWN, Samsung, Smartstock). Od wielu lat posługuje się językami Python oraz R, jest m.in. współautorem pakietów w R oraz autorem książki „Podstawy statystyki z przykładami w R”. Współpracuje m.in. z pracownikami Colorado State University, University of Utah, Politechniki Poznańskiej, Uniwersytetu Ekonomicznego w Poznaniu oraz Uniwersytetu Przyrodniczego w Poznaniu.