Szkolenie jest kontynuacją warsztatu z „Uczenia maszynowego” 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. 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: 6 i 7 maja 2025, 11:00-16:00 (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
• Automatyczne modele uczenia maszynowego (AutoML)
• Wprowadzenie do sieci neuronowych
• Wprowadzenie do głębokich sieci neuronowych
• Biblioteka keras
• Konwolucyjne sieci neuronowe
• Sieci rekurencyjne, w szczególności sieci typu LSTM

Cele kształcenia

Po kursie uczestnik będzie:

1. Posiadać praktyczne umiejętności w zakresie korzystania z nowoczesnych narzędzi i metod uczenia maszynowego oraz sieci neuronowych za pomocą języka R.
2. Znać możliwości biblioteki H2O, umożliwiającej:
   1. Implementację zaawansowanych algorytmów uczenia maszynowego,
   2. Pracę w środowisku lokalnym oraz na dużą skalę w ekosystemach Big Data.
3. Potrafić wykorzystywać narzędzia AutoML do automatycznego wyboru i optymalizacji modeli, co zwiększy efektywność pracy z dużymi zestawami danych.
4. Znać podstawy sieci neuronowych, w tym:
   1. Historię i zastosowania sieci neuronowych,
   2. Zasady budowy klasycznych sieci neuronowych.
5. Umieć dobierać hiperparametry i efektywnie trenować modele, co stanowiło solidny fundament do pracy z bardziej zaawansowanymi architekturami.
6. Znać budowę głębokich sieci neuronowych, w tym:
   1. Rodzaje warstw,
   2. Unikalne zalety, które czynią je jednym z najskuteczniejszych narzędzi w analizie danych i modelowaniu.
7. Umieć korzystać z biblioteki Keras, umożliwiającej:
   1. Szybkie i intuicyjne projektowanie oraz trenowanie modeli,
   2. Prototypowanie i wdrażanie różnych typów sieci.
8. Potrafić tworzyć modele konwolucyjne (CNN) i rekurencyjne (RNN), w tym:
   1. Konwolucyjne sieci neuronowe, które są kluczowe w przetwarzaniu obrazów,
   2. Sieci rekurencyjne, ze szczególnym uwzględnieniem architektur LSTM, które są stosowane w analizie danych sekwencyjnych (np. tekstów, szeregów czasowych).
9. Umieć samodzielnie projektować, trenować i wdrażać modele uczenia maszynowego oraz sieci neuronowych.
10. Posiadać umiejętności rozwiązywania złożonych problemów analitycznych w różnych dziedzinach, takich jak:
    1. Analiza danych,
    2. Przetwarzanie obrazów,
    3. Przetwarzanie języka naturalnego.

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.