Optymalizacja modeli uczenia głębokiego w procesie treningu i inferencji
Optymalizacja modeli uczenia głębokiego w procesie treningu i inferencji
Informacje podstawowe
Informacje podstawowe
- KategoriaInformatyka i telekomunikacja / Programowanie
- Grupa docelowa usługi
Szkolenie skierowane do:
- Doświadczonych data scientistów i inżynierów uczenia maszynowego, którzy chcieliby poznać metody optymalizacji modeli
- Osób pracujących z modelami uczenia głębokiego, którzy chcą poprawić wydajność swoich modeli
- Specjalistów, którzy zajmują się wdrażaniem modeli głębokiego uczenia w środowiskach o ograniczonych zasobach
- Minimalna liczba uczestników4
- Maksymalna liczba uczestników8
- Data zakończenia rekrutacji27-10-2025
- Forma prowadzenia usługizdalna w czasie rzeczywistym
- Liczba godzin usługi16
- Podstawa uzyskania wpisu do BURCertyfikat systemu zarządzania jakością wg. ISO 9001:2015 (PN-EN ISO 9001:2015) - w zakresie usług szkoleniowych
Cel
Cel
Cel edukacyjny
Zrozumienie potrzeby optymalizacji modeli głębokiego uczenia w różnych środowiskachNabycie umiejętności stosowania technik takich jak kwantyzacja, pruning oraz mixed-precision training
Poznanie technologii optymalizacyjnych, takich jak ONNX, TensorRT i Triton do przyspieszania inferencji
Zastosowanie metod optymalizacji do dużych modeli językowych (LLMs) oraz modeli wizji komputerowej
Optymalizacja modeli do wdrażania na urządzeniach brzegowych z ograniczonymi zasobami obliczeniowymi
Efekty uczenia się oraz kryteria weryfikacji ich osiągnięcia i Metody walidacji
| Efekty uczenia się | Kryteria weryfikacji | Metoda walidacji |
|---|---|---|
Efekty uczenia się Uczestnik stosuje specjalistyczną wiedzę o sieciach neuronowych w przetwarzaniu języka naturalnego (NLP), implementuje omówione algorytmy z wykorzystaniem biblioteki PyTorch w języku Python | Kryteria weryfikacji Uczestnik stworzył realny projekt, który można wygodnie udostępnić, skomentować i zaprezentować. | Metoda walidacji Obserwacja w warunkach rzeczywistych |
Kwalifikacje i kompetencje
Kwalifikacje
Kompetencje
Usługa prowadzi do nabycia kompetencji.Warunki uznania kompetencji
Program
Program
Wprowadzenie do optymalizacji modeli
- Przegląd potrzeb optymalizacyjnych
- Optymalizacja w różnych środowiskach
Optymalizacja potoków danych
- Optymalizacja wczytywania danych i augmentacji
- Metodologia i narzędzia do optymalizacji potoków
Techniki optymalizacji procesu treningowego
- Trening z mieszanymi precyzjami
- Akumulacja gradientów
- Trening rozproszony
- Metody optymalizacji w bibliotece PyTorch
Technologie optymalizujące inferencję modeli
- ONNX
- NVIDIA TensorRT
- NVIDIA Triton
Kompresja modeli po procesie treningowym
- Kwantyzacja
- Pruning
- Formaty modeli
Optymalizacja dużych modeli językowych (LLMs)
- Wprowadzenie do optymalizacji LLM
- Kwantyzacja
- Przycinanie (pruning)
- Efektywne dostrajanie parametrów
- Nowoczesne techniki wdrażania LLM
Optymalizacja modeli wizji komputerowej
- Przykładowe biblioteki w Python
- Przyspieszanie procesu inferencji na przykładzie modeli detekcji
Optymalizacja modeli dla urządzeń brzegowych (edge devices)
- Problem optymalizacji na urządzeniach edge
- Technologie do wdrażania modeli na urządzeniach brzegowych
Harmonogram
Harmonogram
| Przedmiot / temat zajęć | Prowadzący | Data realizacji zajęć | Godzina rozpoczęcia | Godzina zakończenia | Liczba godzin |
|---|---|---|---|---|---|
Przedmiot / temat zajęć 1 z 2 Wprowadzenie do optymalizacji modeli Optymalizacja potoków danych Techniki optymalizacji procesu treningowego Technologie optymalizujące inferencję modeli | Prowadzący WIKTOR PIELA | Data realizacji zajęć 03-11-2025 | Godzina rozpoczęcia 09:00 | Godzina zakończenia 17:00 | Liczba godzin 08:00 |
Przedmiot / temat zajęć 2 z 2 Kompresja modeli po procesie treningowym Optymalizacja dużych modeli językowych (LLMs) Optymalizacja modeli wizji komputerowej Optymalizacja modeli dla urządzeń brzegowych (edge devices) | Prowadzący WIKTOR PIELA | Data realizacji zajęć 04-11-2025 | Godzina rozpoczęcia 09:00 | Godzina zakończenia 17:00 | Liczba godzin 08:00 |
Cena
Cena
Cennik
| Rodzaj ceny | Cena |
|---|---|
Rodzaj ceny Koszt przypadający na 1 uczestnika brutto | Cena 3 013,50 PLN |
Rodzaj ceny Koszt przypadający na 1 uczestnika netto | Cena 2 450,00 PLN |
Rodzaj ceny Koszt osobogodziny brutto | Cena 188,34 PLN |
Rodzaj ceny Koszt osobogodziny netto | Cena 153,13 PLN |
Prowadzący
Prowadzący
WIKTOR PIELA
Informacje dodatkowe
Informacje dodatkowe
Informacje o materiałach dla uczestników usługi
materiały szkoleniowe - część teoretyczna szkolenia, slajdy - zostaną udostępnione uczestnikom na szkoleniu w formie pdf.
uczestnik otrzyma certyfikat uczestnictwa z opisem nabytych umiejętności
Warunki uczestnictwa
- Dobra znajomość języka Python, a w szczególności umiejętność korzystania z zewnętrznych bibliotek
- Znajomość podstaw uczenia maszynowego i głębokiego
- Doświadczenie w pracy z Pythonem i bibliotekami do głębokiego uczenia (PyTorch, TensorFlow)
- Wiedza na temat działania sieci neuronowych oraz procesów treningu modeli
Informacje dodatkowe
Szkolenie będzie prowadzone zdalnie, w czasie rzeczywistym, na żywo, z trenerem, możliwością zadawania pytań.
Szkolenie składa się w 30% z wykładu teoretycznego, w 70% z warsztatów i samodzielnej pracy programistycznej.
Podczas szkolenia uczestnicy mają dostęp do czatu z trenerem, współdzielą ekran podczas części warsztatowej, żeby zaprezentować postęp swojej pracy.
Walidacja będzie bazowała na ocenie efektów samodzielnej pracy uczestników, będzie sprawdzała nabytą wiedzę teoretyczną i umiejętność jej zastosowania w praktyce.
Warunki techniczne
Warunki techniczne
szkolenie na platformie zoom, wymagane:
stabilne połączenie internetowe (zalecane min. 10Mbit/s download i 1Mbit/s upload)
przeglądarka internetowa Chrome
zainstalowana aplikacja Zoom App
dobrej jakości słuchawki oraz mikrofon (opcjonalnie) kamera internetowa
link do szkolenia zostanie przesłany uczestnikom przed szkoleniem i będzie aktywny do końca szkolenia.