moduł #1 Wprowadzenie do sztucznej inteligencji Przegląd sztucznej inteligencji, jej historii i zastosowań
moduł #2 Podstawy uczenia maszynowego Wprowadzenie do uczenia maszynowego, typy oraz uczenie nadzorowane/nienadzorowane
moduł #3 Matematyka i statystyka dla uczenia maszynowego Algebra liniowa, rachunek różniczkowy i całkowy, prawdopodobieństwo i statystyka dla uczenia maszynowego
moduł #4 Python dla uczenia maszynowego Wprowadzenie do Pythona, NumPy, Pandas i manipulacji danymi
moduł #5 Wstępne przetwarzanie danych Oczyszczanie danych, skalowanie cech i wybór cech
moduł #6 Uczenie nadzorowane Regresja, klasyfikacja i metryki oceny modelu
moduł #7 Regresja liniowa Prosta i wielokrotna regresja liniowa, funkcja kosztu i gradient zstępujący
moduł #8 Regresja logistyczna Klasyfikacja binarna, funkcja logistyczna i granice decyzyjne
moduł #9 Decyzja Drzewa Wprowadzenie do drzew decyzyjnych, entropii i pozyskiwania informacji
moduł #10 Losowe lasy Uczenie zespołowe, bagging i losowe lasy
moduł #11 Maszyny wektorów nośnych Klasyfikacja z maksymalnym marginesem, miękki margines i sztuczka jądra
moduł #12 Uczenie się bez nadzoru Klastrowanie, redukcja wymiarowości i wykrywanie anomalii
moduł #13 Klastrowanie metodą K-średnich Algorytm K-średnich, inicjalizacja centroidu i zbieżność
moduł #14 Analiza głównych składowych PCA, ekstrakcja cech i redukcja wymiarowości
moduł #15 Podstawy głębokiego uczenia się Wprowadzenie do sieci neuronowych, perceptronu i perceptronu wielowarstwowego
moduł #16 Sieci neuronowe splotowe CNN, warstwy splotowe i klasyfikacja obrazów
moduł #17 Rekurencyjne sieci neuronowe RNN, LSTM i sekwencja modelowanie
moduł #18 Przetwarzanie języka naturalnego Wstępne przetwarzanie tekstu, tokenizacja i osadzanie słów
moduł #19 Uczenie transferowe Wstępnie wytrenowane modele, dostrajanie i zoo modeli
moduł #20 Ocena i wybór modelu Dobór modelu, dostrajanie hiperparametrów i walidacja krzyżowa
moduł #21 Obsługa niezrównoważonych zestawów danych Nierównowaga klas, techniki nadpróbkowania i niedopróbkowania
moduł #22 Wdrażanie modelu Wdrażanie modelu, integracja API i konteneryzacja Dockera
moduł #23 Etyka i uczciwość AI Wykrywanie stronniczości, metryki uczciwości i rozważania etyczne
moduł #24 Tematy specjalne w AI Modele generatywne, mechanizmy uwagi i wyjaśnialna AI
moduł #25 Podsumowanie i zakończenie kursu Planowanie kolejnych kroków w karierze w obszarze sztucznej inteligencji i uczenia maszynowego
