Delavnica: Osnove globokega učenja

Tuesday 22 Apr 2025, 09:00 → 19:00 Europe/Ljubljana

MS Teams

Domen Verber, Jani Dugonik

Kratek opis: Ta tečaj nudi praktičen uvod v globoko učenje, zmogljivo tehniko umetne inteligence, ki se uporablja v panogah, kot so zdravstvo, maloprodaja in avtomobilizem. Študenti se bodo naučili trenirati modele globokega učenja z uporabo orodij, kot je PyTorch, s poudarkom na ključnih konceptih, kot so konvolucijske nevronske mreže (CNN), povečevanje podatkov in prenos učenja. Skozi praktične vaje bodo udeleženci pridobili izkušnje pri gradnji modelov za klasifikacijo slik, obdelavo naravnega jezika ipd. Ob koncu tečaja boste pridobili veščine za reševanje projektov globokega učenja s sodobnimi okviri in pristopi.

Podrobnejši opis: Ta tečaj ponuja obsežen uvod v poglobljeno učenje, ključno tehnologijo, ki spodbuja napredek v panogah, kot so zdravstvo, maloprodaja in avtomobilizem. Globoko učenje uporablja večplastne nevronske mreže za reševanje kompleksnih nalog, kot so prepoznavanje slik, prevajanje jezikov in obdelava govora. Cilj tečaja je opremiti študente s temeljnimi veščinami, potrebnimi za usposabljanje in uvajanje modelov globokega učenja z uporabo sodobnih orodij, kot je PyTorch. S praktičnimi aplikacijami, ki segajo od zaznavanja predmetov do prilagojenih izkušenj, se boste naučili, kako uporabiti umetno inteligenco za težave v resničnem svetu.

Skozi tečaj boste raziskovali pomembne koncepte globokega učenja, kot so konvolucijske nevronske mreže (CNN), povečanje podatkov in prenos učenja. Te tehnike so bistvene za izboljšanje natančnosti in učinkovitosti modela, zlasti pri delu z velikimi, zapletenimi nabori podatkov. Kurikulum zajema tudi uporabo vnaprej pripravljenih modelov, ki omogočajo hitrejše usposabljanje modelov z izkoriščanjem obstoječega znanja. Poleg tega boste raziskali napredne teme, kot so ponavljajoče se nevronske mreže (RNN) in obdelava naravnega jezika (NLP), ki so ključne za zaporedne podatkovne naloge in besedilne aplikacije.

Ob koncu tečaja boste svoje znanje uporabili v končnem projektu, kjer boste s tehnikami računalniškega vida zgradili model klasifikacije objektov. Izboljšali boste delovanje modela z učenjem prenosa in povečanjem podatkov ter pridobili dragocene izkušnje pri optimizaciji modelov z omejenimi podatki. Tečaj vas bo vodil tudi skozi nastavitev lastnega razvojnega okolja AI in vas tako pripravil na samostojno izvajanje projektov globokega učenja. Ne glede na to, ali ste začetnik pri umetni inteligenci ali želite razširiti svoje spretnosti, ta tečaj zagotavlja trdno osnovo za vse, ki jih zanima hitro razvijajoče se področje globokega učenja.

Ob koncu delavnice lahko udeleženci pridobijo uradni certifikat Deep Learning Institute pri NVIDIA.

Zahtevnost: Osnovna

Jezik: Slovenski

Opis poteka izobraževanja: Delavnica poteka na daljavo preko brskalnika na oblačni infrastrukturi AWS.

Priporočeno predznanje: Razumevanje osnovnih konceptov programiranja v Python 3, kot so funkcije, zanke, slovarji in polja; poznavanje podatkovnih struktur Panda; in razumevanje, kako izračunati regresijsko črto.

Ciljna publika: Študenti računalništva, inženirji, raziskovalci, razvijalci ter vsi, ki želijo razumeti, kako ta tehnologija deluje.

Na izobraževanju pridobljena znanja:

• Naučite se osnovnih tehnik in orodij, potrebnih za usposabljanje modela globokega učenja
•  Pridobite izkušnje s pogostimi podatkovnimi tipi globokega učenja in arhitekturami modelov
• Izboljšajte nabore podatkov z razširitvijo podatkov, da izboljšate natančnost modela
• Izkoristite prenos učenja med modeli za doseganje učinkovitih rezultatov z manj podatkov in računanja
• Zgradite samozavest, da se lotite lastnega projekta s sodobnim ogrodjem poglobljenega učenja

 

Omejitev števila udeležencev: 30

Virtualna lokacija: MS Teams

Organizator: UM FERI, NVIDIA

---

Predavatelji:

Ime:	Domen Verber
Opis:	Domen Verber je docent na Fakulteti za elektrotehniko in računalništvo Univerze v Mariboru (UM FERI) ter ambasador NVIDIA Deep Learning Institute za Univerzo v Mariboru in njihov specialist za umetno inteligenco in HPC. S problematiko HPC in umetne inteligence se ukvarja že več kot 25 let.
	domen.verber@um.si, deep.learning@um.si

 

Ime:	Jani Dugonik
Opis:	Jani Dugonik je raziskovalec na Fakulteti za elektrotehniko, računalništvo in informatiko Univerze v Mariboru (UM FERI). Že več kot 10 let dela na področju obdelave naravnega jezika (predvsem strojnega prevajanja) in evolucijskih algoritmov.
	jani.dugonik@um.si

---

Documentation link

09:00 → 09:30 Introduction (– Meet the instructor. – Get familiar with your GPU-accelerated interactive JupyterLab environment.)

09:30 → 12:30 The Mechanics of Deep Learning (• Train your first computer vision model to learn the process of training. • Introduce convolutional neural networks to improve accuracy of predictions in vision applications. • Apply data augmentation to enhance a dataset and improve model generalization)

12:30 → 13:30 Lunch break

13:30 → 15:00 Pre-trained Models and Large Language Models (Leverage pre-trained models to solve deep learning challenges quickly. Train recurrent neural networks on sequential data: • Integrate a pre-trained image classification model to create an automatic doggy door. • Leverage transfer learning to create a personalized doggy door that only lets in your dog. • Use a Large Language Model (LLM) to answer questions based on provided text)

15:00 → 15:15 Coffee break

15:15 → 16:15 Final Project: Object Classification (Apply computer vision to create a model that distinguishes between fresh and rotten fruit: • Create and train a model that interprets color images. • Build a data generator to make the most out of small datasets. • Improve training speed by combining transfer learning and feature extraction. • Discuss advanced neural network architectures and recent areas of research where students can further improve their skills)

16:15 → 16:45 Final Review (– Complete the assessment to earn a certificate. – Review key learnings and wrap up questions. – Take the workshop survey.)