moduł #1 Wprowadzenie do głębokiego uczenia Przegląd głębokiego uczenia, historii i zastosowań
moduł #2 Wymagania wstępne z matematyki Przegląd algebry liniowej, rachunku różniczkowego i całkowego oraz teorii prawdopodobieństwa
moduł #3 Podstawy sieci neuronowych Wprowadzenie do sztucznych sieci neuronowych, perceptronów i perceptronów wielowarstwowych
moduł #4 Funkcje aktywacji i propagacja wsteczna Funkcje aktywacji, propagacja wsteczna i gradient zstępujący
moduł #5 Budowanie i szkolenie sieci neuronowych Praktyczne doświadczenie w budowaniu i szkoleniu sieci neuronowych przy użyciu struktury głębokiego uczenia
moduł #6 Sieci neuronowe splotowe (CNN) Wprowadzenie do CNN, warstw splotowych i warstw pulujących
moduł #7 Architektury CNN Architektury AlexNet, VGGNet, GoogLeNet i ResNet
moduł #8 Transfer Learning i Dokładne dostrajanie Używanie wstępnie wytrenowanych modeli CNN i dostrajanie zadań klasyfikacji obrazów
moduł #9 Rekurencyjne sieci neuronowe (RNN) Wprowadzenie do RNN, prostych RNN i sieci LSTM
moduł #10 Architektury RNN GRU, dwukierunkowe RNN i modele kodera-dekodera
moduł #11 Modele sekwencja-do-sekwencji Tłumaczenie maszynowe, chatboty i modele sekwencja-do-sekwencji
moduł #12 Modele generatywne Wprowadzenie do modeli generatywnych, GAN i VAE
moduł #13 Autoenkodery i autoenkodery wariacyjne Redukcja wymiarowości, autoenkodery i VAE
moduł #14 Generatywne sieci przeciwstawne (GAN) GAN, DCGAN i warunkowe GAN
moduł #15 Głębokie wzmocnienie Uczenie się Wprowadzenie do uczenia się przez wzmacnianie, Q-learning i gradienty polityki
moduł #16 Algorytmy głębokiego uczenia się przez wzmacnianie DDPG, metody aktora-krytyka i AlphaGo
moduł #17 Uczenie się bez nadzoru i klasteryzacja K-średnie, klasteryzacja hierarchiczna i redukcja wymiarowości
moduł #18 Głębokie uczenie się w przetwarzaniu języka naturalnego Osadzanie słów, modele językowe i klasyfikacja tekstu
moduł #19 Mechanizmy uwagi Uwaga w NLP, transformatorach i BERT
moduł #20 Głębokie uczenie się w komputerowym widzeniu Wykrywanie, segmentacja i śledzenie obiektów
moduł #21 Struktury głębokiego uczenia się TensorFlow, PyTorch i Keras
moduł #22 Ocena modelu i dostrajanie hiperparametrów Metryki oceny modelu, dostrajanie hiperparametrów i walidacja krzyżowa
moduł #23 Głębokie uczenie się Wdrażanie i produkcja Wdrażanie modelu, obsługa modelu i produkcja
moduł #24 Etyka i uczciwość w uczeniu głębokim Rozważania etyczne, stronniczość i uczciwość w modelach uczenia głębokiego
moduł #25 Podsumowanie i zakończenie kursu Planowanie kolejnych kroków w karierze w Deep Learning
