Naučte se navrhovat
a trénovat
neuronové sítě
od základů až po produkci
Strukturovaný program pro ty, kdo chtějí porozumět architektuře hlubokých neuronových sítí a naučit se je implementovat v reálných projektech.
Tři fáze od teorie k praxi
Základy a matematika
Začnete s lineární algebrou, maticovými operacemi a zpětnou propagací. Pochopíte, jak neuronová síť učí a proč některé architektury fungují lépe než jiné.
Konvoluční a rekurentní architektury
Naučíte se stavět CNN pro zpracování obrazu a RNN pro sekvenční data. Projdete si ResNet, attention mechanismy a transformery na konkrétních příkladech.
Trénování a optimalizace
Ponoříte se do technik regularizace, hyperparameter tuningu a distribuovaného trénování. Naučíte se diagnostikovat přetrénování a optimalizovat výkon sítě.
Práce s velkými datasety
Projdete si augmentaci dat, normalizaci a efektivní načítání. Zjistíte, jak připravit data pro trénování a jak vyřešit problém nevyváženosti tříd.
Deployment a inference
Naučíte se exportovat model, optimalizovat pro produkci a nasadit na server. Poznáte ONNX, TensorRT a praktiky pro snížení latence.
Vlastní projekt
Postavíte kompletní systém od sběru dat přes trénování až po nasazení. Dostanete zpětnou vazbu na architekturu, kód a výkon modelu.
Pracujete s PyTorch a TensorFlow na reálných úlohách
Celý program je postavený na praktických cvičeních v Jupyter Notebooku. Každá lekce obsahuje ukázkový kód, který si hned vyzkoušíte na vlastních datech.
Používáte standardní nástroje jako PyTorch pro stavbu modelů, NumPy pro práci s daty a Matplotlib pro vizualizaci. Naučíte se verzovat experimenty pomocí Weights & Biases a měřit metriky přesnosti napříč různými běhy.
Výsledkem je schopnost postavit vlastní architekturu od nuly, vybrat správný loss function a optimalizátor, natrénovat model na GPU a vyhodnotit jeho kvalitu na validační sadě.
