Haladó Python programozás-Deep Learning/AI

1. nap: Neurális Hálók Alapjai és Mélytanulási Modellépítés

 

Bevezetés a Neurális Hálókba

• Biológiai és mesterséges neuronok
• Neuronok matematikai modellje
• Rétegek és súlyok a hálózatban
• Aktivációs függvények (ReLU, Sigmoid, Tanh, Softmax)

 

Hiperparaméterek és Optimalizálás

• Súlyinicializálás
• Költségfüggvények (MSE, Cross-EntropyLoss)
• Optimalizálási algoritmusok (SGD, Adam, RMSprop)
• Túlilleszkedés és Regularizáció (L1 és L2 (Lasso, Ridge), Dropout, Adat augmentáció)

 

Gyakorlati Példa:

• Kézírásfelismerés egyszerű MLP (Multi-LayerPerceptron) modellel (MNIST adathalmazon)

 

2. nap: Konvolúciós Neurális Hálók (CNN) és Térbeli Mintázatok

 

Konvolúció és Pooling

• Mi az a konvolúció?
• Konvolúciós szűrők és feature map-ek
• Aktivációs térképek értelmezése
• Pooling rétegek (Max Poolingvs. AveragePooling)

 

CNN Architektúrák és Használatuk

• Egyszerű CNN felépítése
• Mély hálók és a ResNet, VGG architektúrák alapelvei
• TransferLearning
  – Előre betanított modellek használata
  – Fine-tuning egyéni adathalmazon

 

Gyakorlati Példa:

• Képosztályozás egyéni adatbázison konvolúciós hálóval
• T-SNE vizualizáció: Reprezentációk vizualizálása csökkentett dimenziókba

 

3. nap: Autoencoderek és Generatív Modellek

 

Autoencoderek és Dimenziócsökkentés

• Hogyan tanulnak meg a hálók reprezentációkat?
• Autoencoder architektúra
  – Generatív képalkotás
  – Latens tér manipuláció

 

Gyakorlati Példa:

• Autoencoderrel zajszűrés

 

4. nap: Nagy Nyelvi Modellek (LLM) és API Használat

 

LLM Alapok: Transformer Architektúra

• Hogyan működik a Self-Attention Mechanizmus?
• GPT vs. DeepSeekvs. LLaMA összehasonlítás
• Hogyan tanul egy nyelvi modell?

 

API Használat OpenAI, DeepSeek és Más Modellekkel

• OpenAIChatGPT API bemutatása
  – Beállítások és lekérdezések
  – Prompt optimalizálás
• Egyéb nyelvi modellek: Anthropic Claude, Mistral

 

Gyakorlati Példa:

• Szöveggenerálás és adatelemzés ChatGPT API-val