Kurs Podstawy Sztucznej Inteligencji w Pythonie
Poznaj podstawy sztucznej inteligencji i fundamenty uczenia maszynowego, ucząc się pracy z bibliotekami takimi jak TensorFlow czy Scikit-learn. Dzięki nam zrozumiesz, jak działa AI i jak wykorzystać ją w najróżniejszych dziedzinach.
Proponowany wiek
12 lat+ (lub każdy, kto posiada solidne podstawy Pythona i chce rozwinąć umiejętności!)
Wymagania
Bardzo dobra znajomość podstaw Pythona, chęć nauki zaawansowanych technologii i narzędzi, stabilne połączenie z internetem oraz dobry humor. Reszty nauczymy Cię na zajęciach!
Program kursu – 8 modułów (16 lekcji)
Moduł 1: Wprowadzenie do sztucznej inteligencji i narzędzi
- Podstawy AI, ML i DL – co to jest?: Definicje, przegląd zastosowań i przykładów z życia codziennego.
- Instalacja i konfiguracja środowiska: Omówienie venv/anaconda, instalacja bibliotek (numpy, pandas, scikit-learn).
Moduł 2: Praca z danymi – wstęp do numpy i pandas
- Tablice numpy i podstawy algebraiczne: Tworzenie tablic, operacje matematyczne, indeksowanie.
- Pandas – import, eksploracja i czyszczenie danych: Wczytywanie plików CSV, usuwanie braków danych, filtrowanie.
Moduł 3: Podstawy uczenia maszynowego (scikit-learn)
- Regresja liniowa – tworzenie pierwszego modelu: Zbiór treningowy i testowy, ocena jakości (R2, RMSE).
- Klasyfikacja – wprowadzenie do problemów klasyfikacyjnych: Model Logistic Regression, metryki oceny (accuracy, precision, recall).
Moduł 4: Inne algorytmy ML – Drzewa, SVM i KNN
- Drzewa decyzyjne i lasy losowe: Zasada działania, overfitting, skracanie drzewa (pruning).
- SVM i KNN – dodatkowe algorytmy klasyfikacji: Omówienie SVM (kernel, hyperplane), K-Nearest Neighbors.
Moduł 5: Sieci neuronowe – wstęp
- Podstawy działania sieci neuronowych: Neuron, warstwy, funkcje aktywacji (ReLU, sigmoid), propagacja wsteczna.
- Wprowadzenie do bibliotek PyTorch / TensorFlow: Instalacja i konfiguracja, tworzenie prostego modelu sieci MLP.
Moduł 6: Praktyczne projekty z ML i AI
- Projekt 1: Klasyfikacja obrazów (prosta CNN lub MLP): Pobieranie zbioru danych (np. MNIST), trenowanie sieci.
- Projekt 2: Analiza sentymentu tekstu: Wstępne przetwarzanie (tokenizacja), model klasyfikacyjny.
Moduł 7: Optymalizacja modeli i zaawansowane techniki
- Regularyzacja i hyperparametry: Lasso, Ridge, parametry modeli (learning rate, batch size), walidacja krzyżowa.
- Uczenie transferowe i wprowadzenie do API modeli: Jak wykorzystać wstępnie wytrenowane modele (transfer learning).
Moduł 8: Publikacja projektów i dalsza droga w AI
- Integracja modelu z aplikacją (web lub desktop): Przykład użycia Flask/FastAPI do stworzenia prostego endpointu AI.
- Podsumowanie i kierunki rozwoju w AI: Omówienie głównych osiągnięć kursu, prezentacja prac uczestników.