Kurz poskytuje systematický a prakticky orientovaný přehled moderních metod hlubokého učení s využitím frameworku PyTorch. Studenti získají pevné základy práce s daty, návrhu a trénování neuronových sítí a zvládnou klíčové techniky používané v současné praxi — od počítačového vidění a tvorby vlastních datasetů až po optimalizaci modelů a interpretaci výsledků.
Součástí kurzu jsou také pokročilejší témata, jako je distribuované trénování, experimentální tracking, MLOps základy a nasazování modelů do produkčního prostředí pomocí nástrojů jako FastAPI, TorchServe nebo ONNX.
Důraz je kladen na propojení teorie s praxí, tvorbu end to end ML pipeline a řešení reálných problémů z oblasti moderního ML/AI inženýrství.

1.Úvod do PyTorch a práce s tensory: Seznámení s ekosystémem PyTorch, tvorbou
a manipulací tensorů na CPU i GPU, interoperabilitou s NumPy a základními
datovými operacemi potřebnými pro hluboké učení.
2. Základy neuronových sítí: Architektura neuronových sítí (vstupní, skryté a výstupní
vrstvy), aktivační funkce (ReLU, Sigmoid, Softmax), mechanika forward průchodu
a základní stavební bloky modelů v PyTorch.
3.Trénování modelů a optimalizační techniky: Backpropagation a gradient descent,
loss funkce, optimalizační algoritmy (SGD, Adam), principy trénování, validace a
testování modelů.
4.Počítačové vidění a konvoluční sítě (CNN): Konvoluční vrstvy, pooling, normalizace
a preprocessing obrazových dat, práce s běžnými datasetovými standardy (např.
FashionMNIST) a tvorba jednoduchých modelů počítačového vidění.
5.Klasifikační úlohy v praxi: Binární vs. multiclass klasifikace, vhodné loss funkce,
confusion matrix, evaluační metriky (accuracy, precision, recall, F1) a interpretace
výsledků.
6.Transfer learning a práce s předtrénovanými modely: Fine‑tuning, zamrzání vrstev,
výběr předtrénovaných architektur a využití modelových hubů (např. HuggingFace)
pro rychlejší vývoj.
7.Experiment tracking a benchmarking modelů: Logování experimentů pomocí
TensorBoard či Weights & Biases, principy reprodukovatelnosti, správa
hyperparametrů a porovnávání výkonnosti modelů.
8.Tvorba vlastních datasetů a práce s daty: Implementace datasetů pomocí
torch.utils.data.Dataset a DataLoader, transformace a augmentace, příprava dat
pro robustní trénování v produkčních podmínkách.
9.Distribuované trénování a multi‑GPU workflow: DistributedDataParallel, data
parallelism vs. model parallelism, strategie škálování trénování na více výpočetních
jednotek.
10.Nasazení modelů do produkčního prostředí: Servírování modelů přes REST API
(FastAPI, TorchServe), export do ONNX, porovnání on‑device a cloud deployment
strategií a přehled best practices pro produkční ML.