Tartalomjegyzék
1 AI-modellek, neurális
hálók és tudományos kérdésfeltevés
2 Programozási és
numerikus munkaasztal
3 Lineáris algebra
neurális hálózatokhoz
4 Kalkulus, láncszabály és
vektor–Jacobi-szorzat
5 Valószínűség és
statisztika a modellkísérlet mögött
6 Empirikus kockázat és
optimalizálás
7 Információelmélet,
veszteségek és stabil valószínűségi predikció
8 Általánosítás és
statisztikai tanulási alapok
9 Perceptron, MLP és
reprezentáció
10 Backpropagation a
könyvtár előtt
11 PyTorch: autograd,
modul és adatbetöltés
12 Megismételhető tanítási
kísérlet
13 Diszkrét jelek, képek
és konvolúciós műveletek
14 CNN-réteg: alakok,
csatornák és számítási költség
15 Konvolúciós backward és
transzponált operátor
16 Szimmetria, pooling és
recepciós mező
17 Klasszikus
CNN-architektúrák és tervezési döntések
18 Reziduális tanulás és
normalizálás
19 Hatékony és korszerű
CNN-blokkok
20 Transzfertanulás és
előtanított modellek helyes használata
21 Tanítási recept:
inicializálás, regularizálás és ütemezés
22 Képadat, annotáció és
augmentációs szerződés
23 Metrikák, kalibráció és
független modellértékelés
24 Hibakeresés, profiling
és számítási erőforrás
25 Képosztályozás:
bináris, többosztályos és multilabel
26 Objektumdetektálás és
lokalizáció
27 Szemantikus és
példányszintű szegmentálás
28 Metrikus tanulás,
hasonlósági keresés és reprezentációhasználat
29 Autoencoder, denoising
és reprezentációs korlát
30 Önfelügyelt és
kontrasztív reprezentációtanulás
31 Generatív modellek:
VAE, GAN és diffúziós alapgondolat
32 Szekvenciák, attention
és CNN–transformer összevetés
33 Inference, export és
modellátadás
34 Hatékonyság, kvantálás
és tudásdesztilláció
35 Magyarázhatóság,
robusztusság és felelős felhasználás
36 Kutatási módszertan és
reprodukálható eredményközlés
37 Projekt I: konvolúciós
réteg levezetéstől referenciakódig
38 Projekt II: teljes
CNN-osztályozási kísérlet
39 Projekt III:
szegmentálás vagy lokalizáció
40 Tudományos szintézis,
vizsgafeladatok és lektori átadás