| Tytuł: | Machine Learning and Local GenAI: Od Scikit-Learn i TensorFlow do LM Studio |
| Kod: | ml-gen |
| Kategoria: | ML |
| Forma: | 50% wykłady / 50% warsztaty |
| Czas trwania: | 1 dzień |
| Zapisy: |
Indywidualne zamówienie i dopasowanie dla grupy. |
| Logistyka: |
W siedzibie klienta lub w innym dowolnym miejscu. |
W świecie AI narzędzia zmieniają się błyskawicznie.
To szkolenie porządkuje wiedzę, łącząc sprawdzone metodyki Data Science z najnowszymi trendami Local GenAI.
Uczymy budować kompletne pipeline'y przetwarzania danych, świadomie dobierać narzędzia (kiedy klasyczny ML, a kiedy Deep Learning?) oraz uruchamiać modele LLM lokalnie na własnym sprzęcie. Program inspirowany projektami badawczymi, gdzie kluczowa była prywatność danych (Off-line AI) oraz precyzyjna walidacja wyników.
- Dla kogo jest to szkolenie?
- Szkolenie dla zespołów technicznych, które chcą wyjść poza proste skrypty i zacząć budować skalowalne, bezpieczne rozwiązania ML, rozumiejąc różnice między dostępnymi technologiami.
Wyróżniki szkolenia
- Architektury rozwiązań: Kiedy stosować Scikit-learn (klasyczne algorytmy), kiedy TensorFlow (sieci neuronowe), a kiedy gotowe modele LLM.
- TensorFlow od podstaw: Zrozumienie tensorów, warstw i budowa prostego modelu, z naciskiem na różnice względem podejścia klasycznego.
- LM Studio and Local LLMs: Jak uruchamiać potężne modele językowe (Llama 3, Mistral) lokalnie, bez wysyłania danych do chmury – idealne dla danych wrażliwych.
- Unikania pułapek: Data Leakage, Overfitting i Bias w modelach.
Program Szkolenia
Program jest ramą w jakiej możemy się poruszać merytorycznie - program dla konkretnego szkolenia dedykowanego ustalamy z grupą na podstawie analizy przed-szkoleniowej.-
Fundamenty Pipeline’u i Feature Engineering- Data Science Methodology: Dlaczego model to tylko 20% sukcesu? Cykl życia projektu.
- Przygotowanie danych w Pandas: Czyszczenie, normalizacja i walidacja jakości.
- Feature Engineering: Jak zamienić surowe dane w wartościowe cechy? (Encoding, Scaling).
- Case study: Wykrywanie Data Leakage – jak nieświadomie "oszukujemy" sami siebie podczas treningu.
- Data Science Methodology: Dlaczego model to tylko 20% sukcesu? Cykl życia projektu.
-
Klasyczne ML vs. Deep Learning (Scikit-learn vs. TensorFlow)
- Scikit-learn: Szybkie prototypowanie modeli klasyfikacyjnych i regresyjnych (Decision Trees, Random Forest).
- Wprowadzenie do TensorFlow:
- Czym różni się tensor od zwykłej macierzy?
- Kiedy klasyczne ML przestaje wystarczać? Granice Scikit-learn.
- Budowa prostej sieci neuronowej – warstwy, aktywacje, optymalizatory.
- Czym różni się tensor od zwykłej macierzy?
- Warsztat porównawczy: Rozwiązanie tego samego problemu (np. klasyfikacja ryzyka/anomalii) za pomocą Scikit-learn oraz TensorFlow. Analiza wyników, czasu treningu i złożoności.
- Scikit-learn: Szybkie prototypowanie modeli klasyfikacyjnych i regresyjnych (Decision Trees, Random Forest).
-
Walidacja i Interpretowalność
- Jak ocenić, czy model działa? Metryki (Accuracy vs. Recall/Precision) w zależności od problemu biznesowego.
- Anomaly Detection: Wykorzystanie prostych metod statystycznych vs. Autoenkodery w TensorFlow.
- Explainable AI: Interpretacja „czarnej skrzynki”. Użycie bibliotek (np. SHAP) do wyjaśnienia, dlaczego model podjął daną decyzję (kluczowe w medycynie/finansach).
- Jak ocenić, czy model działa? Metryki (Accuracy vs. Recall/Precision) w zależności od problemu biznesowego.
-
Local GenAI z LM Studio
- Dlaczego warto uruchamiać LLM lokalnie? Prywatność, koszty, brak zależności od API.
- LM Studio w praktyce:
- Instalacja i konfiguracja środowiska.
- Przegląd otwartych modeli (Hugging Face) – jak dobrać model do sprzętu (kwantyzacja).
- Instalacja i konfiguracja środowiska.
- Use-case: Automatyczna analiza/streszczanie dokumentów z zachowaniem pełnej poufności (Offline).
- Dlaczego warto uruchamiać LLM lokalnie? Prywatność, koszty, brak zależności od API.
-
Podsumowanie i Best Practices
- MLOps w pigułce: Jak zarządzać wersjami modeli i danych.
- Etyka i Bias: Jak zapobiegać stronniczości modeli w zastosowaniach badawczych i komercyjnych.
- Q&A i roadmapa dalszego rozwoju dla uczestników.
- MLOps w pigułce: Jak zarządzać wersjami modeli i danych.
Pobierz program w formacie PDF
Trenerzy
Poznaj ekspertów, którzy mogą poprowadzić Twoje szkolenie.