Wprowadzenie do PyTorch – od podstaw do sieci neuronowych

➡️ Czego się nauczysz?

– Podstawowych operacji w PyTorch i manipulacja tensorem,
– Implementacji podstawowych modeli ML w PyTorch,
– Regresji liniowej, logistycznej i softmax regression,
– Ogólny framework uczenia maszynowego,
– Implementacji algorytmu wstecznej propagacji w PyTorch,
– Budowy sieci neuronowej od podstaw,
– Praktyczne modelowanie danych i eksperymentowania.

➡️ Dla kogo jest ten materiał?

Materiał skierowany do osób, które chcą nauczyć się podstaw PyTorch i poznać jego zastosowanie w uczeniu maszynowym i głębokim. Materiał będzie szczególnie wartościowy dla:
– Programistów i analityków danych, którzy chcą rozpocząć pracę z ML/DL,
– Data scientistów pragnących rozszerzyć swoje umiejętności,
– Studentów i badaczy zainteresowanych implementacją modeli ML w PyTorch.

➡️ Wymagania wstępne

– Podstawowa znajomość Pythona i bibliotek NumPy,
– Zainstalowany Python (zalecana wersja 3.8+),
– Zainstalowane biblioteki: PyTorch, NumPy, Matplotlib, Scikit-learn,
– Google Colab jako opcja dla osób bez lokalnej instalacji.

➡️ Program

1. Wprowadzenie do PyTorch i tensory:
– Różnice między PyTorch a innymi frameworkami,
– Tworzenie i manipulacja tensorami,
– Operacje matematyczne w PyTorch.
2. Implementacja regresji liniowej w PyTorch:
– Zrozumienie regresji liniowej, logistycznej, softmax regression,
– Automatyczna propagacja gradientów w PyTorch.
3. Sieci neuronowe i algorytm wstecznej propagacji:
– Algorytm backpropagation – mechanizm i implementacja,
– Podstawy perceptronów i sieci neuronowych.
4. Sieci neuronowe praktycznie:
– Ćwiczenia praktyczne na zestawach danych.
5. Praktyczne zadania i modelowanie danych:
– Podsumowanie i pytania.

➡️ Informacje o prowadzącym:

Marcin Wierzbiński

Analityk danych, badacz AI i wykładowca na Uniwersytecie Warszawskim, współpracował z Instytutem Max Planck w Berlinie. Specjalizuje się w uczeniu maszynowym, analizie danych genetycznych i zakresu przetwarzania danych na dużą skalę. Prowadzi kursy z analizy danych i deep learningu. Autor publikacji naukowych i popularnonaukowych, współpracował m.in. z deepsense.ai i Sano Centre for Computational Medicine.