Udemy
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
Turn what you know into an opportunity and reach millions around the world.
Learn More
Your cart is empty.
Keep shopping
Deep Learning w języku Python - Konwolucyjne Sieci Neuronowe
Highest Rated
Rating: 4.6 out of 5(170 ratings)
1,988 students

Deep Learning w języku Python - Konwolucyjne Sieci Neuronowe

Praktyczne wprowadzenie do Konwolucyjnych Sieci Neuronowych (CNN): Budowanie i trenowanie modeli głębokiego uczenia!
Last updated 3/2025
Polish

What you'll learn

  • zrozumienie intuicji stojącej za sztucznymi sieciami neuronowymi
  • zrozumienie intuicji stojącej za konwolucyjnymi sieciami neuronowymi
  • elementy składowe sztucznych sieci neuronowych (ANN)
  • elementy składowe konwolucyjnych sieci neuronowych (CNN)
  • implementacja sieci neuronowej od zera (python)
  • budowa sztucznych sieci neuronowych w Keras i TensorFlow
  • klasyfikacja obrazów przy pomocy sieci ANN i CNN
  • dogłębna analiza działania sieci CNN
  • case study I: klasyfikacja obrazów - pies czy kot?
  • case study II: klasyfikacja obrazów - dron, samolot pasażerski czy helikopter?

Course content

12 sections70 lectures8h 33m total length
  • Intro3:20
  • Wprowadzenie do Google Colab7:15

Requirements

  • Ukończone kursy ze ścieżki Python Developer na tym koncie instruktorskim
  • Ukończone kursy ze ścieżki Data Scientist na tym koncie instruktorskim
  • Znajomość języka Python
  • Podstawy uczenia maszynowego
  • Wprowadzenie do sieci neuronowych

Description

Chcesz poznać tajniki konwolucyjnych sieci neuronowych i zbudować własne modele deep learning? Ten kurs to praktyczny przewodnik po jednej z najważniejszych technologii we współczesnej sztucznej inteligencji – CNN, czyli konwolucyjnych sieciach neuronowych. Dzięki nim możliwe są przełomowe osiągnięcia w dziedzinie rozpoznawania obrazów, analizy wideo, medycyny, autonomicznych pojazdów i wielu innych obszarów.

W trakcie kursu krok po kroku nauczysz się, jak:

  • Działa architektura CNN i czym różni się od klasycznych sieci neuronowych

  • Budować modele konwolucyjne w Pythonie z użyciem bibliotek takich jak TensorFlow i Keras

  • Wykorzystać warstwy konwolucyjne, poolingowe i gęste do tworzenia zaawansowanych modeli

  • Trenować sieci na rzeczywistych zbiorach danych (np. MNIST, CIFAR-10)

  • Zastosować techniki poprawiające skuteczność modeli, jak augmentacja danych, dropout czy batch normalization

  • Diagnozować i poprawiać błędy modeli oraz unikać overfittingu

Kurs zawiera liczne ćwiczenia praktyczne, projekty i wyjaśnienia krok po kroku – idealny dla osób, które chcą zdobyć solidne fundamenty w deep learningu oraz rozpocząć przygodę z analizą danych wizualnych.

Nie musisz być ekspertem! Wystarczy podstawowa znajomość Pythona i chęć nauki, by zanurzyć się w świat inteligentnych algorytmów i samodzielnie zbudować pierwszą konwolucyjną sieć neuronową. Dołącz do kursu i zdobądź umiejętności, które otwierają drzwi do kariery w AI!


TensorFlow – Moc obliczeń dla sztucznej inteligencji

TensorFlow to otwartoźródłowa biblioteka do uczenia maszynowego i głębokiego uczenia, stworzona przez Google. Umożliwia łatwe budowanie, trenowanie i wdrażanie modeli AI na różnych platformach – od serwerów po urządzenia mobilne. Dzięki elastycznej architekturze i wsparciu dla GPU i TPU, TensorFlow jest popularnym wyborem wśród badaczy, inżynierów i firm rozwijających nowoczesne rozwiązania oparte na danych.


Keras – Prostota tworzenia potężnych sieci neuronowych

Keras to wysokopoziomowa biblioteka do budowy i trenowania modeli głębokiego uczenia, działająca jako interfejs dla TensorFlow. Zaprojektowana z myślą o prostocie i czytelności kodu, pozwala szybko prototypować zaawansowane sieci neuronowe przy minimalnym wysiłku programistycznym. Keras wspiera zarówno badania naukowe, jak i zastosowania produkcyjne, oferując intuicyjne API i bogaty zestaw narzędzi do analizy i wizualizacji modeli.

Who this course is for:

  • Osoby wchodzące w świat Data Science, AI/ML
  • Entuzjaści sztucznej inteligencji (AI)
  • Inżynierowie uczenia maszynowego
  • Analitycy danych i badacze
  • Początkujący i średniozaawansowani programiści Pythona
  • Studenci kierunków technicznych i informatycznych