Ha szeretnéd megérteni, mi van a mai AI-megoldások mögött a chatbotoktól a képfeldolgozásig, a Neurális Hálók Python-ban előadás ehhez ad világos, gyakorlati alapot. Hodvogner Szilvia (Data Scientist, AI fejlesztő @Siemens) közérthetően mutatja meg, hogyan épülnek fel és tanulnak a neurális hálók, miben különböznek az egyes megközelítések, és mikor érdemes őket használni. Az anyag gyakorlatorientált bevezető a deep learningbe Pythonos szemlélettel: végig azt tisztázza, mit csinál egy neurális háló, és hogyan jutsz el az elmélettől egy futó modellhez.
Milyen főbb témákról van szó az előadásban?
- Miért fontos a deep learning ma? Konkrét példákon keresztül: chatbotok (ChatGPT, Gemini, Copilot), képgenerálás, ipari felhasználás (pl. önvezető rendszerek), valamint egészségügyi döntéstámogatás.
- Hol helyezkedik el az AI térképén? A deep learning mint a machine learning alterülete, és mire jó: képek, szövegek, hangok, valamint klasszikus feladatok (klasszifikáció, regresszió, idősor).
- Predictive vs. generative AI: mi a különbség a gyakorlatban? Mikor becslünk értékeket (tabuláris/numerikus adatok), és mikor generálunk (szöveg/kép), illetve miért kezelik eltérően az adatokat.
- Neuron → háló: hogyan épül fel egy modell? Súlyok, bias és aktivációs függvények szerepe, és miért van szükség nemlinearitásra.
- A tanítási folyamat érthetően: forward pass → loss → backpropagation, valamint a gradient descent alapötlete.
- Képosztályozás példán keresztül (CNN-ek): AlexNet felépítése, a konvolúció mint „feature extraction”, majd Google Colab + FastAI demó kutya–macska klasszifikációval és fine-tuninggal.
- Valódi Python példák és kipróbálható anyag: hogyan lesz egy modellből működő megoldás képosztályozási feladatokra, az előadás után pedig egy letölthető Jupyter Notebook segítségével te is gyakorolhatod a tanultakat.
