Den 1: Úvod do hlubokého učení a neuronových sítí
- Základy strojového učení
- Úvod do neuronových sítí a jejich funkce
- Trénování neuronových sítí pomocí backpropagation
- Aktivační funkce a jejich výběr
- Vícevrstvé neuronové sítě a jejich trénování
- Úvod do knihovny TensorFlow a Keras
Den 2: Konvoluční neuronové sítě (CNN)
- Úvod do konvolučních neuronových sítí (CNN)
- Konvoluční vrstvy a filtrování obrázků
- Pooling vrstvy a zmenšování rozměrů obrázků
- Úprava obrázků před trénováním
- Architektury konvolučních sítí (AlexNet, VGG, ResNet)
- Praktická cvičení pro implementaci konvolučních sítí
Den 3: Rekurentní neuronové sítě (RNN) a další modely
- Úvod do rekurentních neuronových sítí (RNN)
- Struktura a fungování RNN
- Trénování RNN pro predikci a generování textu
- LSTM a GRU sítě
- Úvod do generativních modelů (GAN)
- Úvod do autoenkodérů a jejich aplikací
Den 4: Optimalizace a ladění neuronových sítí
- Optimalizace hyperparametrů neuronových sítí
- Metody učení a optimalizace parametrů
- Regularizace sítí (dropout, L1, L2)
- Overfitting a jeho prevence
- Tuning a ladění sítí
Den 5: Aplikace a pokročilá témata v hlubokém učení
- Aplikace hlubokého učení v praxi (rozpoznávání řeči, rozpoznávání obrazu, strojový překlad)
- Přenos učení (transfer learning)
- Úvod do zpracování přirozeného jazyka a NLP
- Pokročilé tématy v hlubokém učení (adversarial training, attention mechanism, capsule networks)
- Diskuse a shrnutí kurzu
