Szkolenia AI i machine learning

Dlaczego to ważne: Prawidłowo skonfigurowane środowisko pozwala na izolację projektów i łatwe zarządzanie bibliotekami AI.

Jak to zrobić:

• Pobierz i zainstaluj Anaconda (wersja Open Source).
• Zainstaluj Visual Studio Code z rozszerzeniem Python i Jupyter.
• Stwórz pierwsze środowisko wirtualne komendą conda create -n ml_basics python=3.10.

Kiedy zadanie jest ukończone: Masz działający edytor VS Code zintegrowany z Jupyter Notebook.

Dlaczego to ważne: Dane w AI to macierze; bez NumPy nie zrozumiesz, jak modele przetwarzają informacje.

Jak to zrobić:

• Przećwicz tworzenie tablic (arrays), slicing i broadcasting.
• Wykonaj operacje mnożenia macierzy (dot product).
• Skup się na wektoryzacji kodu, aby unikać pętli 'for'.

Kiedy zadanie jest ukończone: Potrafisz samodzielnie przekształcić tabelę danych w znormalizowaną macierz NumPy.

Dlaczego to ważne: 80% pracy w ML to czyszczenie danych. Pandas to standard rynkowy.

Jak to zrobić:

• Załaduj plik CSV (np. z bazy Titanic).
• Wykonaj filtrowanie, grupowanie (groupby) i obsługę brakujących wartości (fillna).
• Stwórz nowe cechy (feature engineering) na podstawie istniejących kolumn.

Kiedy zadanie jest ukończone: Wygenerowałeś raport statystyczny z surowego zbioru danych.

Dlaczego to ważne: Algorytmy takie jak Backpropagation opierają się na pochodnych i operacjach na wektorach.

Jak to zrobić:

• Obejrzyj serię 'Essence of Linear Algebra' na kanale 3Blue1Brown.
• Zrozum pojęcie gradientu i jego rolę w optymalizacji funkcji kosztu.
• Skup się na intuicji, a nie na ręcznym liczeniu skomplikowanych całek.

Kiedy zadanie jest ukończone: Potrafisz wyjaśnić, czym jest gradient i jak wpływa na wagę modelu.

Dlaczego to ważne: To absolutnie najlepszy kurs dla początkujących na Coursera, łączący intuicję z matematyką.

Jak to zrobić:

• Wybierz opcję 'Audit', jeśli nie potrzebujesz certyfikatu (jest wtedy darmowy).
• Skup się na pierwszej części: Regresja i Klasyfikacja.
• Rób notatki z wyjaśnień Andrew Ng dotyczących 'intuicji' algorytmów.

Kiedy zadanie jest ukończone: Masz dostęp do materiałów kursu i harmonogram nauki.

Dlaczego to ważne: Zrozumienie mechanizmu 'pod maską' buduje głęboką wiedzę, której nie daje samo użycie gotowych bibliotek.

Jak to zrobić:

• Napisz funkcję kosztu (Mean Squared Error).
• Napisz algorytm Gradient Descent do aktualizacji wag.
• Przetestuj model na prostym zbiorze danych (np. ceny mieszkań).

Kiedy zadanie jest ukończone: Twój własny kod minimalizuje błąd predykcji bez użycia Scikit-learn.

Dlaczego to ważne: Sieci neuronowe to fundament współczesnego Deep Learningu.

Jak to zrobić:

• Zrozum funkcje aktywacji (ReLU, Sigmoid, Softmax).
• Przejdź przez laboratoria w TensorFlow/Keras zawarte w kursie.
• Zwróć uwagę na proces regularyzacji (Dropout, L2), aby uniknąć overfittingu.

Kiedy zadanie jest ukończone: Rozumiesz architekturę prostej sieci typu Feed-forward.

Dlaczego to ważne: Fast.ai uczy podejścia 'top-down' – najpierw budujesz działający model, potem zgłębiasz teorię. Idealne uzupełnienie dla Coursera.

Jak to zrobić:

• Obejrzyj pierwsze 3 lekcje wersji 2024/2025.
• Użyj biblioteki fastai do stworzenia klasyfikatora obrazów w 5 liniach kodu.
• Wykorzystaj Google Colab dla darmowego GPU.

Kiedy zadanie jest ukończone: Wytrenowałeś model rozpoznający np. rasy psów z dokładnością >90%.

Dlaczego to ważne: Kaggle to poligon doświadczalny dla każdego data scientisty. Konkurs Titanic uczy klasyfikacji binarnej.

Jak to zrobić:

• Pobierz dane z Kaggle.
• Zastosuj model Random Forest ze Scikit-learn.
• Prześlij swój plik predykcji (submission.csv) i sprawdź miejsce w rankingu.

Kiedy zadanie jest ukończone: Twoje nazwisko widnieje na tablicy wyników (Leaderboard).

Dlaczego to ważne: Kod, którego nie widać, nie istnieje dla rekrutera.

Jak to zrobić:

• Załóż konto na GitHub.
• Dodaj swoje notebooki z kursów, ale oczyść je i dodaj opisy w plikach README.
• Użyj formatu: Problem -> Rozwiązanie -> Wyniki.

Kiedy zadanie jest ukończone: Masz publiczne portfolio z co najmniej 3 różnymi projektami ML.

Dlaczego to ważne: To 'biblia' praktycznego ML. Wyjaśnia aspekty inżynieryjne, których brakuje w kursach wideo.

Jak to zrobić:

• Skup się na rozdziałach o Scikit-learn (część 1).
• Przeanalizuj rozdział o End-to-End Machine Learning Project.
• Czytaj ok. 20 stron dziennie, testując kod w Jupyterze.

Kiedy zadanie jest ukończone: Przeczytałeś pierwsze 10 rozdziałów i rozumiesz cykl życia projektu ML.

Dlaczego to ważne: Metoda Active Recall zapobiega zapominaniu definicji takich jak Bias-Variance Tradeoff czy F1-Score.

Jak to zrobić:

• Stwórz talie kart dla: Statystyki, Algorytmów Klasycznych i Deep Learningu.
• Codziennie poświęcaj 10 minut na powtórkę.

Kiedy zadanie jest ukończone: Masz bazę min. 100 kart i utrzymujesz passę powtórek przez 7 dni.

Dlaczego to ważne: Obecnie rynek AI jest zdominowany przez modele językowe (LLM). Musisz wiedzieć, jak działa mechanizm Attention.

Jak to zrobić:

• Przeczytaj artykuł 'Attention Is All You Need' (wersja uproszczona na blogu Jay Alammar).
• Obejrzyj tutorial Andreja Karpathy'ego 'Let's build GPT: from scratch'.

Kiedy zadanie jest ukończone: Potrafisz narysować schemat blokowy Transformera i wyjaśnić rolę Self-Attention.

Dlaczego to ważne: Rozwiązanie unikalnego problemu (np. analiza Twoich wydatków lub predykcja pogody w Twoim mieście) pokazuje najwyższy stopień samodzielności.

Jak to zrobić:

• Zbierz dane (web scraping lub API).
• Przeprowadź pełny proces: EDA, czyszczenie, modelowanie, ewaluacja.
• Opisz wnioski: co zadziałało, a co nie.

Kiedy zadanie jest ukończone: Masz działający model, który rozwiązuje realny, nietrywialny problem.