Zainteresowanie sieciami neuronowymi jeszcze nigdy nie było tak duże. Rozwiązania sztucznej inteligencji spotykamy na każdym kroku, a wielu z nas już przywykło do ich obecności. W 2018 roku pionierzy dziedziny – Geoffrey Hinton, Yann LeCun i Yoshua Bengio – otrzymali nagrodę Turinga. To wprowadzenie pokazuje podstawy sieci neuronowych w kontekście TensorFlow 2.0 i biblioteki Keras, która jako open source wspiera prototypowanie i wykorzystuje backendy, m.in. TensorFlow, CNTK i Theano.

Dlaczego sieci neuronowe teraz?

W ostatnich latach zainteresowanie sieciami neuronowymi wyraźnie wzrosło. Rozwiązania sztucznej inteligencji spotykamy praktycznie na każdym kroku: od narzędzi, z których korzystamy na co dzień, po usługi działające w tle. Część osób przywykła do nich tak bardzo, że trudno się bez nich obyć. Symbolicznym potwierdzeniem znaczenia tej dziedziny było przyznanie w 2018 roku nagrody Turinga trzem pionierom: Geoffreyowi Hintonowi, Yannowi LeCunowi i Yoshui Bengio. To dobry moment, aby poznać podstawy i zrozumieć, jak działa ten obszar.

Keras w pigułce

Keras to biblioteka open source do tworzenia sieci neuronowych. Została zaprojektowana po to, aby ułatwiać prototypowanie oraz eksperymentowanie, co przekłada się na realną oszczędność czasu przy pisaniu kodu. Keras korzysta z tzw. backendów obliczeniowych, wśród których znajdują się TensorFlow, CNTK oraz Theano. Dzięki temu możesz budować rozwiązania, bazując na sprawdzonych silnikach, a jednocześnie zachować prostotę pracy i szybko testować pomysły. Połączenie prostoty i elastyczności jest kluczowe na starcie.

TensorFlow 2.0 i współpraca z Keras

Szkolenie osadzone jest w kontekście TensorFlow 2.0 oraz biblioteki Keras. Keras wykorzystuje TensorFlow jako jeden z backendów, co łączy dojrzałe środowisko obliczeniowe z prostotą prototypowania. Dzięki takiemu podejściu łatwiej skupić się na najważniejszych pojęciach i płynnie przejść przez pierwsze kroki związane z sieciami neuronowymi. Zyskujesz przejrzystość wynikającą z Keras i dostęp do możliwości zapewnianych przez TensorFlow 2.0, bez konieczności tworzenia nadmiaru kodu przy każdej próbie i eksperymencie.

Prototypowanie i eksperymentowanie

Jednym z największych atutów Keras jest to, że pozwala prototypować i eksperymentować w prosty sposób. W praktyce oznacza to możliwość szybkiego sprawdzenia pomysłu, porównania wariantów i wyciągania wniosków bez żmudnych przygotowań. W kontekście wprowadzenia do sieci neuronowych takie podejście działa szczególnie dobrze: pomaga skupić się na sednie zagadnień, a nie na długim kodowaniu. Oszczędność czasu przy pisaniu kodu przekłada się na większą liczbę prób i lepsze zrozumienie podstaw.

Kontekst ścieżek rozwoju

W materiałach kursowych przywołane są przykładowe ścieżki rozwoju, obejmujące role takie jak Python Developer, Data Scientist / Machine Learning Engineer, Data Scientist / Deep Learning Engineer, BI Analyst / Data Analyst oraz Big Data Analyst. To wprowadzenie do sieci neuronowych, oparte na TensorFlow 2.0 i Keras, stanowi element szerszego obrazu nauki i może zostać ustawione obok tematów programistycznych czy analitycznych. Dzięki temu łatwiej zaplanować kolejne kroki zgodnie z własnymi celami.