Kurs i obuka – Duboko učenje sa PyTorch-om

Kurs je namenjen programerima i ML praktičarima sa predznanjem iz Pythona koji žele da rade sa neuronskim mrežama. Stečene veštine mogu biti korisne u IT razvoju, analitici, istraživanju, obradi slike i drugim projektima dubokog učenja.

Preporučeno prethodno znanje: Python, NumPy, osnovna linearna algebra i principi ML.

Tokom nastave polaznik će kroz praktičan rad učiti da:

• tenzori i PyTorch – Tenzori, autograd, GPU/CPU, radno okruženje, slučajna semena.
• mreže i treniranje – nn.Module, forward, loss, optimizatori, mini-batch i DataLoader.
• generalizacija i praćenje – Regularizacija, dropout, batch normalization; train/validation; krive učenja.
• konvolutivne i transfer mreže – Osnove CNN-a, embeddinga, transfer learning i fine-tuning.
• eksperimenti i performanse – Checkpoint, mixed precision na podržanom hardveru, profili i reproduktivnost.
• završni DL projekat – Metrike, analiza grešaka, etički rizici, prezentacija modela.

Znanja iz oblasti „Duboko učenje sa PyTorch-om“ mogu pomoći da se konkretnije pristupi zadacima kao što su izradu PyTorch modela, treniranje, praćenje metrike i proveru generalizacije. Njihova vrednost je u pravilnom izboru postupka, jasnom dokumentovanju rada i proveri dobijenih rezultata.

Obuka uvodi u razvoj i evaluaciju modela, dok složeni istraživački ili produkcioni projekti zahtevaju dodatnu praksu i resurse.

Obuka se organizuje kao individualna nastava (1 polaznik) u trajanju od 36 školskih časova, mikro grupa (2–3 polaznika) u trajanju od 36 školskih časova ili standardna grupna nastava (4 i više polaznika) u trajanju od 44 školskih časova.

Nastava se može realizovati uživo u prostorijama Akademije Oxford ili online, prema odabranom modelu. U grupnoj nastavi predviđeno je više vremena za dodatne vežbe, diskusiju i zajedničku proveru rezultata.

Po završetku obuke polaznik će moći da sprovede osnovni radni postupak iz oblasti „Duboko učenje sa PyTorch-om“, primeni obrađene alate na zadati primer, proveri dobijene rezultate i predstavi praktično rešenje. Nivo samostalnosti zavisi od prethodnog znanja i složenosti konkretnog zadatka.

1. Tenzori i PyTorch – Tenzori, autograd, GPU/CPU, radno okruženje, slučajna semena. Praktičan rad: Izvršiti tensor operacije i izračunati gradijente.
2. Mreže i treniranje – nn.Module, forward, loss, optimizatori, mini-batch i DataLoader. Praktičan rad: Napisati petlju treniranja klasifikacione mreže.
3. Generalizacija i praćenje – Regularizacija, dropout, batch normalization; train/validation; krive učenja. Praktičan rad: Dijagnostikovati overfitting i prilagoditi hiperparametre.
4. Konvolutivne i transfer mreže – Osnove CNN-a, embeddinga, transfer learning i fine-tuning. Praktičan rad: Prilagoditi predtrenirani model manjem skupu slika.
5. Eksperimenti i performanse – Checkpoint, mixed precision na podržanom hardveru, profili i reproduktivnost. Praktičan rad: Uporediti eksperimente i dokumentovati uslove.
6. Završni DL projekat – Metrike, analiza grešaka, etički rizici, prezentacija modela. Praktičan rad: Predati trenirani model i eksperimentalni izveštaj.