Uczenie maszynowe i głębokie sieci
Od klasycznych modeli predykcyjnych po sieci głębokie: TensorFlow, PyTorch, pipeline’y treningowe, walidacja krzyżowa i typowe pułapki (np. przecuczenie).
Szczegóły — ML i deep learningTechnologie i obszary
Rozszerzony przegląd tematów powiązanych z treściami edukacyjnymi i testami na witrynie. Każdy blok prowadzi do osobnej podstrony z grafiką (wygenerowaną na potrzeby witryny). Na stronie głównej jest też galeria ze zdjęciami stockowymi.
NLP i duże modele językowe
Tokenizacja, embeddingi, architektury typu transformer, dostrajanie modeli i bezpieczne korzystanie z API — materiał zbliżony do quizu NLP na stronie głównej.
Szczegóły — NLP
Computer vision
Konwolucje, detekcja i segmentacja, transfer learning oraz metryki takie jak mAP czy IoU, zgodnie z zakresem testu CNN.
Szczegóły — computer vision
MLOps i jakość modeli
Wersjonowanie danych i modeli, monitoring dryfu, testy regresji modelu oraz integracja z CI/CD — naturalne uzupełnienie perspektywy QA.
Szczegóły — MLOps
Obliczenia i badania
Eksploracja obliczeń kwantowych i połączeń z AI ma charakter wprowadzający; warto śledzić aktualną literaturę i produkty komercyjne.
Szczegóły — kwantowe
Blockchain i decentralizacja
Połączenia AI z rozproszonymi rejestrami bywają eksperymentalne; przydatne przy dyskusji o zaufaniu, źródłach danych i transparentności.
Szczegóły — blockchainDalsze kroki
Po zapoznaniu się z kartami warto przejść testy kompetencyjne i sprawdzić, które zagłębienia wymagają powtórki. Dokumentacja wybranych frameworków oraz oficjalne tutoriale pozostają najlepszym źródłem aktualnych API i dobrych praktyk.