Haladó Python programozás-Deep Learning/AI

Name: Haladó Python programozás-Deep Learning/AI
Brand: Számalk
Price: 339000.00 HUF
Availability: InStock

Képzés ára: 339.000 Ft(Bruttó ár: 430.530 Ft)

Figyelem! Regisztráció után felvesszük Önnel a kapcsolatot. A fizetés csak a képzés megerősítése után esedékes.

Helyszín

Online

Időtartam

4x8 tanóra

Nyelv

Magyar

Minden részlet megtekintése

A tanfolyamról

Célja, hogy a Python programozók számára mélyebb ismereteket és gyakorlati tapasztalatokat nyújtson a mélytanulás (Deep Learning) világában. A tanfolyam során a résztvevők megtanulják, hogyan alkalmazzák a Python és a legnépszerűbb mélytanulási könyvtárakat (mint a TensorFlow, Keras, PyTorch) valós problémák megoldására, és képesek legyenek komplex neurális hálózatok építésére és finomhangolására.

A mélytanulás az AI legdinamikusabban fejlődő ága. A tanfolyam segítségével a legújabb technológiákat alkalmazhatod különböző iparágakban.

Tematika

Tematika:
1. nap: Neurális Hálók Alapjai és Mélytanulási Modellépítés

Bevezetés a Neurális Hálókba
• Biológiai és mesterséges neuronok
• Neuronok matematikai modellje
• Rétegek és súlyok a hálózatban
• Aktivációs függvények (ReLU, Sigmoid, Tanh, Softmax)

Hiperparaméterek és Optimalizálás
• Súlyinicializálás
• Költségfüggvények (MSE, Cross-EntropyLoss)
• Optimalizálási algoritmusok (SGD, Adam, RMSprop)
• Túlilleszkedés és Regularizáció (L1 és L2 (Lasso, Ridge), Dropout, Adat augmentáció)

Gyakorlati Példa:
• Kézírásfelismerés egyszerű MLP (Multi-LayerPerceptron) modellel (MNIST adathalmazon)

2. nap: Konvolúciós Neurális Hálók (CNN) és Térbeli Mintázatok

Konvolúció és Pooling
• Mi az a konvolúció?
• Konvolúciós szűrők és feature map-ek
• Aktivációs térképek értelmezése
• Pooling rétegek (Max Poolingvs. AveragePooling)

CNN Architektúrák és Használatuk
• Egyszerű CNN felépítése
• Mély hálók és a ResNet, VGG architektúrák alapelvei
•TransferLearning
- Előre betanított modellek használata
- Fine-tuning egyéni adathalmazon

Gyakorlati Példa:
• Képosztályozás egyéni adatbázison konvolúciós hálóval
• T-SNE vizualizáció: Reprezentációk vizualizálása csökkentett dimenziókban

3. nap: Autoencoderek és Generatív Modellek

Autoencoderek és Dimenziócsökkentés
• Hogyan tanulnak meg a hálók reprezentációkat?
• Autoencoder architektúra
- Generatív képalkotás
- Latens tér manipuláció

Gyakorlati Példa:
• Autoencoderrel zajszűrés

4. nap: Nagy Nyelvi Modellek (LLM) és API Használat

LLM Alapok: Transformer Architektúra
• Hogyan működik a Self-Attention Mechanizmus?
• GPT vs. DeepSeekvs. LLaMA összehasonlítás
• Hogyan tanul egy nyelvi modell?

API Használat OpenAI, DeepSeek és Más Modellekkel
• OpenAIChatGPT API bemutatása
- Beállítások és lekérdezések
- Prompt optimalizálás
• Egyéb nyelvi modellek: Anthropic Claude, Mistral

Gyakorlati Példa:
• Szöveggenerálás és adatelemzés ChatGPT API-val

Haladó Python programozás-Deep Learning/AI