Uczenie maszynowe - Dzień 1

• Przemysław Głomb (IITiS)

Room: Sala 1.20 (parter) ## 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.

Uczenie maszynowe - Dzień 2

• Przemysław Głomb (IITiS)

Room: Sala 1.20 (parter) ## 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.