Krzywa wejścia
Samodzielna i żmudna nauka matematyki wyższej czy przygotowywanie danych do własnego projektu stanowi często barierę nie do przeskoczenia w dalszym rozwoju w nauce Machine Learning czy Deep Learning. Wierzymy, że zindywidualizowane podejście wykładowców, jak i praca w małej grupie wysoko zmotywowanych studentów, obierających ten sam cel, są tutaj kluczowe.
Komercyjne zastosowania
Nasi wykładowcy ścierają się z praktycznymi aspektami wdrażania aplikacji kognitywnych, które w odróżnieniu od programów stricte badawczych, muszą działać w realnym środowisku i odpowiadać na potrzeby biznesowe. Te nieraz trudno przełożyć na sztywne protokoły matematyczne, które z kolei są konieczne dla trenowania algorytmów Machine Learning czy Deep Learning. W ramach studium wykładowcy będą starali się pokazać złoty środek między teorią a praktyką.
Fundamenty
Kładziemy nacisk na dogłębne przedstawienie teorii kryjącej się za współczesnymi aplikacjami kognitywnymi – traktujemy to jako fundament przyszłych osiągnięć naszych absolwentów. Bazując na dobrze przyswojonych podstawach skupiamy się na wyjaśnianiu wybranych osiągnięć naukowych, które zarówno stanowią obecny state-of-the-art. Ukazują rewolucyjne koncepcje będące kamieniami milowymi dziedziny – co też jest swego rodzaju fundamentem Deep Learning.
Po pierwsze problem
Posiadamy wieloletnie doświadczenie zarówno akademickie i komercyjne w technikach multimedialnych. Sieci neuronowe rozwiązują obecnie zagadnienia, z którymi nasi wykładowcy ścierają się już od ponad 20 lat. Cały przebieg tego studium poświęconego Deep Learning, skoncentrowany jest na rozwiązywaniu problemów dotyczących rozpoznawania człowieka, segmentacji audiowizualnej czy bezpieczeństwa informacji.