Haladó Python programozás-Deep Learning/AI

Tanfolyami leírás:

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.

Kiknek ajánljuk:

Ideális lehetőséget kínál azok számára, akik komolyan érdeklődnek a mesterséges intelligenciaés Deep Learning iránt, és szeretnének mélyebb ismereteket szerezni ezen a területen, hogy saját projektjeikben vagy kutatásaikban alkalmazhassák a tanultakat.

Szükséges előképzettség:

Alap Python, pandas és NumPy ismerete, előzetes ML tapasztalat ajánlott

• Ajánlott könyvtárak: torch, torchvision, numpy, matplotlib, transformers, ultralytics, openai, deepseek

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