PokročilýStrojové učení
Co se naučíte
- Matematické základy neuronových sítí (derivace, gradientní sestup)
- Konvoluční sítě (CNN) pro zpracování obrazu
- Rekurentní sítě (RNN, LSTM, GRU) pro sekvenční data
- Transformer architektura a attention mechanismus
- Transfer learning a fine-tuning předtrénovaných modelů
- Hyperparametr tuning a optimalizace tréninku
- MLOps: verzování modelů, CI/CD pro ML
- Nasazení modelů na cloud (AWS SageMaker, GCP Vertex)
Pro koho je kurz určen
Kurz je vhodný pro softwarové vývojáře, datové analytiky a inženýry s alespoň základní znalostí Pythonu, kteří chtějí vstoupit do světa hlubokého učení. Není nutná předchozí zkušenost s PyTorch nebo TensorFlow.
Osnova kurzu
Modul 1: Základy neuronových sítí (6 hodin)
Perceptron a vícevrstvé sítě
Backpropagation krok za krokem
Aktivační funkce: ReLU, sigmoid, softmax
Lab: První síť v PyTorch
Modul 2: Konvoluční neuronové sítě (8 hodin)
Konvoluční a pooling vrstvy
ResNet, VGG, EfficientNet architektury
Lab: Klasifikace obrazu na vlastním datasetu
Modul 3: Zpracování sekvenčních dat (8 hodin)
RNN a problém mizejícího gradientu
LSTM a GRU architektury
Lab: Predikce časových řad
Modul 4: Transformer a LLM (10 hodin)
Self-attention a multi-head attention
BERT, GPT a jejich varianty
Fine-tuning LLM na vlastních datech
Lab: Chatbot na firemní bázi znalostí
Modul 5: MLOps a nasazení (8 hodin)
Model Registry, experiment tracking s MLflow
Containerizace modelu s Docker
REST API pro ML model (FastAPI)
Monitoring modelu v produkci
Modul 6: Závěrečný projekt (8 hodin)
Definice a plánování projektu
Implementace pod vedením mentora
Prezentace a obhajoba projektu
Udělení certifikátu
Váš lektor
Tomáš Havel
AI Researcher & Senior ML Engineer
10 let zkušeností v datové vědě a strojovém učení. Dříve vedl AI tým v Avast, publikoval 8 odborných článků o neurálních sítích. Absolvent FEL ČVUT, PhD v oboru strojového učení. Specializuje se na NLP, počítačové vidění a produkční ML systémy.
