Warsztaty stacjonarne "Dwa dni z uczeniem maszynowym" - Kraków

13 Sept 2025, 10:00 → 14 Sept 2025, 16:00 Europe/Warsaw

Sala 1.20 (parter) (Budynek D17)

Saturday 13 September

10:00 → 16:00 Uczenie maszynowe - Dzień 1

Dzień 1: Wprowadzenie, podstawy i elementy klasycznego uczenia maszynowego

Analiza danych i data mining

• Analiza przykładowych problemów: Przejście praktycznych studiów przypadku związanych z analizą danych (w tym zastosowanie zbioru danych obrazowych do detekcji śladów krwi). Celem jest zrozumienie, jak w realnych scenariuszach wykorzystywać techniki data mining.
• Narzędzia analizy danych: Omówienie wybranych narzędzi analitycznych, w tym metod redukcji wymiarowości, grupowania oraz wykrywania anomalii jako podstawowych zestawu narzędzi analizy zbiorów danych. Ćwiczenia praktyczne.

Klasyfikatory

• Optymalizacja hiperparametrów, miary wydajności: kompleksowy przegląd procesu projektowania klasyfikatora „od A do Z”. Zrozumienie, kiedy model można uznać za skuteczny oraz jakie błędy i ryzyka mogą wystąpić.
• Klasyfikator SVM i metody kernelowe: omówienie metod opartych na funkcjach jądra (ang. kernels) – struktura, teoria oraz praktyczne wykorzystanie w różnych zadaniach klasyfikacyjnych.
• Analiza wyników i weryfikacja działania: interpretacja wyników działania klasyfikatora oraz sposoby oceny poprawności i wiarygodności modelu w praktyce.

Speaker: Prof. Przemysław Głomb (IITiS)

Sunday 14 September

10:00 → 16:00 Uczenie maszynowe - Dzień 2

Dzień 2: Od perceptronu do głębokich sieci neuronowych

Perceptron i sieci MLP

• Perceptron: wyjaśnienie podstaw sieci neuronowych oraz sposobu, w jaki reprezentują i odwzorowują zbiór treningowy.
• Klasyfikator MLP: omówienie zasad działania, przygotowania oraz optymalizacji wielowarstwowych sieci perceptronowych (MLP). Ćwiczenia praktyczne zorientowane na skuteczne zbudowanie i wytrenowanie sieci MLP.
• Sieci neuronowe – aspekty praktyczne: przegląd algorytmów optymalizacji, zasad przygotowania danych i innych kluczowych zagadnień związanych z implementacją sieci neuronowych.
• Praca w środowiskach sklearn i PyTorch: ćwiczenia obejmujące konfigurację, trening oraz porównanie możliwości dwóch popularnych środowisk do realizacji systemów uczenia maszynowego.

Modele głębokiego uczenia

• Sieci konwolucyjne: omówienie architektury, zasady działania oraz obszarów zastosowania. Analiza wybranych pretrenowanych sieci konwolucyjnych, z uwzględnieniem ćwiczeń praktycznych w zakresie wykorzystania i ewaluacji.
• Duże modele językowe (LLM): przedstawienie architektury i sposobów zastosowania dużych modeli językowych w różnych zadaniach. Analiza działania i praktyczne wskazówki dotyczące wdrożeń oraz dalszego rozwijania własnych projektów wykorzystujących LLM.

Speaker: Prof. Przemysław Głomb (IITiS)