Deep Learning z PyTorch – projektowanie i trenowanie nowoczesnych sieci neuronowych

Szkolenie Deep Learning z PyTorch koncentruje się na praktycznym tworzeniu, trenowaniu oraz optymalizacji nowoczesnych sieci neuronowych wykorzystywanych w projektach AI, Computer Vision, Natural Language Processing (NLP) oraz Generative AI.

Uczestnicy poznają architekturę frameworka PyTorch, nauczą się budować modele neuronowe od podstaw, wykorzystywać akcelerację GPU oraz implementować rozwiązania stosowane we współczesnych systemach sztucznej inteligencji. Program obejmuje zagadnienia związane z sieciami CNN, Transformerami, transfer learningiem oraz integracją z ekosystemem Hugging Face.

Szkolenie ma charakter warsztatowy – większość czasu poświęcona jest na samodzielne tworzenie modeli, eksperymentowanie z parametrami oraz analizę wyników. Dzięki temu uczestnicy zdobywają umiejętności pozwalające na realizację własnych projektów Deep Learning i rozwój w kierunku AI Engineer lub Machine Learning Engineer.

2 990 zł netto

Ukończyło: 25 osób

Stacjonarnie (Warszawa)

Zdalnie (Teams)

Podstawy Machine Learning w Pythonie

lub Pobierz formularz zgłoszeniowy

Akceptujemy formy płatności: PayU, Faktura pro-forma, Faktura VAT po szkoleniu

Rozłóż na raty z

Czego się nauczysz?

Tworzyć i trenować zaawansowane sieci neuronowe w PyTorch.

Wykorzystywać GPU i CUDA do przyspieszania obliczeń.

Budować modele Computer Vision oparte o CNN i transfer learning.

Tworzyć rozwiązania NLP wykorzystujące architekturę Transformer.

Korzystać z modeli dostępnych w ekosystemie Hugging Face.

Fine-tuningować gotowe modele AI na własnych danych.

Optymalizować proces trenowania oraz zużycie zasobów.

Przygotowywać modele do wdrożenia w środowisku produkcyjnym.

Zakres szkolenia

Pobierz zakres w PDF

Architektura frameworka PyTorch
Omówienie ekosystemu PyTorch
Konfiguracja środowiska projektowego
GPU, CUDA i akceleracja obliczeń
Dobre praktyki pracy z modelami Deep Learning

Operacje na tensorach
Zarządzanie pamięcią
Obliczenia na CPU i GPU
Broadcasting
Wydajne przetwarzanie danych

Mechanizm Autograd
Obliczanie gradientów
Backpropagation
Funkcje kosztu
Algorytmy optymalizacji (SGD, Adam, AdamW)

Budowa własnych architektur
Warstwy neuronowe
Funkcje aktywacji
Regularizacja modeli
Batch Normalization i Dropout

Projektowanie pętli treningowych
Monitorowanie procesu uczenia
Zapisywanie i odtwarzanie modeli
Early Stopping
Debugowanie modeli

Wprowadzenie do TorchVision
Klasyfikacja obrazów
Konwolucyjne sieci neuronowe (CNN)
Transfer Learning
Fine-tuning gotowych modeli

Ćwiczenia praktyczne

Klasyfikacja obrazów
Rozpoznawanie obiektów
Analiza jakości modeli

Przetwarzanie tekstu
Tokenizacja danych
Embeddingi
Architektura Transformer
Attention Mechanism

Ćwiczenia praktyczne

Klasyfikacja tekstu
Analiza sentymentu
Praca z gotowymi modelami językowymi

Biblioteka Transformers
Pobieranie gotowych modeli
Fine-tuning modeli
Zarządzanie zbiorami danych
Integracja z PyTorch

Charakterystyka modeli LLM
Architektura nowoczesnych modeli językowych
Prompt Engineering
Fine-tuning modeli językowych
Ograniczenia i wyzwania Generative AI

Struktura profesjonalnych projektów AI
PyTorch Lightning
Zarządzanie eksperymentami
Reprodukowalność wyników
Versioning modeli

Mixed Precision Training
Distributed Training
Optymalizacja wykorzystania GPU
Profilowanie modeli
Skalowanie treningu

Eksport modeli
TorchScript
Inferencja produkcyjna
Integracja z API
Wprowadzenie do MLOps

Projekt 1

Budowa modelu klasyfikacji obrazów z wykorzystaniem CNN.

Projekt 2

Fine-tuning modelu NLP przy użyciu Hugging Face.

Projekt 3

Przygotowanie modelu do wdrożenia produkcyjnego.

Opinie firm i użytkowników

Szkolenie bardzo dobrze pokazuje przejście od klasycznego Machine Learning do nowoczesnego Deep Learning. Szczególnie wartościowe były moduły dotyczące Transformerów, Hugging Face oraz optymalizacji treningu na GPU. Zdobyte umiejętności wykorzystuję obecnie w projektach związanych z analizą tekstu.

Bartek - Machine Learning Engineer
Bardzo praktyczne warsztaty prowadzone na rzeczywistych przykładach. Dużym atutem była możliwość samodzielnego trenowania modeli oraz poznania narzędzi wykorzystywanych przez profesjonalne zespoły AI.

Magdalena - AI Developer