Dzień I
1. Przegląd rodzajów modeli AI i ich zastosowań
- Klasyfikacja modeli AI:
- modele generatywne,
- klasyfikacyjne,
- regresyjne, itd.
- Przykłady zastosowań różnych modeli w praktyce
(np. przetwarzanie języka naturalnego, analiza obrazu, systemy rekomendacyjne)
- Porównanie charakterystyk modeli AI:
- dokładność,
- szybkość,
- złożoność,
- wymagania sprzętowe.
2. Dobór odpowiedniego modelu AI do konkretnego zadania
- Omówienie kryteriów wyboru modelu AI
(rodzaj danych, cel biznesowy, dostępność zasobów)
- Studium przypadków: Jak dobór modelu wpływa na wyniki
(np. analiza sentymentu, przewidywanie zachowań użytkowników)
- Ćwiczenie: Analiza przykładowych scenariuszy i wybór odpowiednich modeli
3. Trenowanie własnego modelu AI
- Przygotowanie danych do treningu:
- zbieranie,
- czyszczenie,
- przetwarzanie danych.
- Wybór algorytmu i architektury modelu
- Omówienie procesu trenowania modelu: dobór hiperparametrów, walidacja, testowanie
- Optymalizacja modelu pod kątem wydajności i precyzji
- Praktyczne ćwiczenie: Trening prostego modelu na dostarczonym zbiorze danych
4. Dostosowanie modelu do specyficznych potrzeb
- Przykłady dostosowania modeli do specyficznych zastosowań (np. edycja treści w określonym stylu)
- Transfer learning: Jak wykorzystać istniejące modele do nowych zadań
- Praktyczne ćwiczenie: Fine-tuning modelu dla konkretnego przypadku użycia
5. Narzędzia i platformy do tworzenia oraz trenowania modeli AI
- Przegląd popularnych narzędzi i platform (TensorFlow, PyTorch, Hugging Face, AutoML)
- Demonstracja wykorzystania wybranej platformy do treningu modelu
- Porównanie kosztów i zasobów wymaganych do implementacji modeli AI
6. Podsumowanie i Q&A
- Sesja pytań i odpowiedzi
- Informacje o dostępnych zasobach i materiałach dodatkowych