1Wprowadzenie do uczenia maszynowego 2.1Analiza modelu i funkcja kosztu 2.2Minimalizacja funkcji kosztu 3Uczenie nienadzorowane 3.1Klastrowanie: k-means 3.2Redukcja wymiarowości: PCA 3.3Estymacja gęstości 4Uczenie nadzorowane: regresja 4.1Regresja liniowa 4.2Zanurzenie 4.3Ewaluacja modelu nadzorowanego 5Uczenie nadzorowane: klasyfikacja 5.1Wprowadzenie do klasyfikacji 5.2Klasyfikacja binarna: SVM 5.3Klasyfikacja wieloklasowa: regresja logistyczna 5.4Ocena modelu klasyfikacji 5.5Klasyfikacja niezbalansowania 5.6Konstrukcja funkcji kosztu w problemach regresyjnych 6Metody kernelowe 6.1Wprowadzenie do metod kernelowych 6.2Praktyczne użycie skernelizowanych metod 6.3Porównywanie próbek i rozkładów: MMD 7Wprowadzenie do sieci neuronowych 7.1Budowa sieci neuronowych 7.2Klasyfikacja nieliniowa: spojrzenie geometryczne 7.3Uczenie sieci neuronowej na przykładzie regresji 7.4Teoria a praktyka w sieciach neuronowych 8Trenowanie sieci neuronowych 8.1Problem klasyfikacyjny 8.2Optymalizacja za pomocą metody spadku gradientu 8.3Optymalizator Adam 8.4Regularyzacja i augmentacje 8.5Moja sieć neuronowa nie działa: poradnik 9Wprowadzenie do sieci konwolucyjnych 9.1Przetwarzanie obrazów na pomocą sieci fully-connected 9.2Filtry konwolucyjne 9.3Sieci konwolucyjne 10Sieci konwolucyjne w praktyce 10.1Początki sieci konwolucyjnych 10.2Techniki regularyzacyjne 10.3Połączenia rezydualne: ResNet 10.4Wybrane architektury CNN 10.5Finetuning: dostrajanie modelu do nowych zadań 10.6Segmentacja obrazów: U-Net 11Głębokie modele nienadzorowane 11.1Nienadzorowana reprezentacja danych 11.2Modele generatywne: GANy 11.3Estymacja gęstości: invertible normalizing flows 12Rekurencyjne sieci neuronowe 12.1Wprowadzenie do danych sekwencyjnych 12.2Rekurencja jako model autoregresywny 12.3Sieci rekurencyjne (RNN) 12.4Model Seq2Seq 12.5Zaawansowane modele sieci rekurencyjnych 13Atencja 13.1Mechanizm atencji 13.2Atencja w modelu Seq2Seq 13.3Self-attention 13.4Self-attention GAN 13.5Transformer jako rozwinięcie self-atencji