- Historia i ewolucja uczenia maszynowego: skąd pochodzimy i gdzie jesteśmy teraz?
- Główne koncepcje uczenia maszynowego
- Wprowadzenie do uczenia nadzorowanego i bez nadzoru
Uczenie nadzorowane:
- Regresja
- Klasyfikacja
- Deep Learning
- Działanie: możliwe zastosowania regresji i klasyfikacji
Uczenie bez nadzoru:
- Wprowadzenie koncepcyjne
- Działanie: możliwe zastosowania uczenia bez nadzoru
Inne problemy z uczeniem się związane z uczeniem maszynowym:
- Optymalizacja
- Sortowanie
- Uczenie przez wzmacnianie
Infrastruktura w uczeniu maszynowym:
- Upscaling a outscaling
- Rozproszona informatyka
- CPU a GPU
- Jak oszacować wykorzystanie zasobów
Od laboratorium do produkcji:
- Czasy odpowiedzi
- Training serving skew
- Prognozowanie online a batch
Planowanie podejścia uczenia maszynowego dla konkretnego przypadku użycia.
Podsumowanie końcowe, dyskusja, pytania i odpowiedzi itp.
