BEGIN:VCALENDAR
VERSION:2.0
PRODID:IEEE vTools.Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Ljubljana
BEGIN:DAYLIGHT
DTSTART:20250330T030000
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
TZNAME:CEST
END:DAYLIGHT
BEGIN:STANDARD
DTSTART:20251026T020000
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
TZNAME:CET
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTAMP:20251028T124213Z
UID:40A40978-5AF4-44BA-8978-3355D9969CA2
DTSTART;TZID=Europe/Ljubljana:20251023T100000
DTEND;TZID=Europe/Ljubljana:20251023T180000
DESCRIPTION:Kratek opis: Ta tečaj nudi praktičen uvod v globoko učenje\,
  zmogljivo tehniko umetne inteligence\, ki se uporablja v panogah\, kot so
  zdravstvo\, maloprodaja in avtomobilizem. Študenti se bodo naučili tren
 irati modele globokega učenja z uporabo orodij\, kot je PyTorch\, s pouda
 rkom na ključnih konceptih\, kot so konvolucijske nevronske mreže (CNN)\
 , povečevanje podatkov in prenos učenja. Skozi praktične vaje bodo udel
 eženci pridobili izkušnje pri gradnji modelov za klasifikacijo slik\, ob
 delavo naravnega jezika ipd. Ob koncu tečaja boste pridobili veščine za
  reševanje projektov globokega učenja s sodobnimi okviri in pristopi.\n\
 nPodrobnejši opis: Ta tečaj ponuja obsežen uvod v poglobljeno učenje\,
  ključno tehnologijo\, ki spodbuja napredek v panogah\, kot so zdravstvo\
 , maloprodaja in avtomobilizem. Globoko učenje uporablja večplastne nevr
 onske mreže za reševanje kompleksnih nalog\, kot so prepoznavanje slik\,
  prevajanje jezikov in obdelava govora. Cilj tečaja je opremiti študente
  s temeljnimi veščinami\, potrebnimi za usposabljanje in uvajanje modelo
 v globokega učenja z uporabo sodobnih orodij\, kot je PyTorch. S praktič
 nimi aplikacijami\, ki segajo od zaznavanja predmetov do prilagojenih izku
 šenj\, se boste naučili\, kako uporabiti umetno inteligenco za težave v
  resničnem svetu.\n\nSkozi tečaj boste raziskovali pomembne koncepte glo
 bokega učenja\, kot so konvolucijske nevronske mreže (CNN)\, povečanje 
 podatkov in prenos učenja. Te tehnike so bistvene za izboljšanje natanč
 nosti in učinkovitosti modela\, zlasti pri delu z velikimi\, zapletenimi 
 nabori podatkov. Kurikulum zajema tudi uporabo vnaprej pripravljenih model
 ov\, ki omogočajo hitrejše usposabljanje modelov z izkoriščanjem obsto
 ječega znanja. Poleg tega boste raziskali napredne teme\, kot so ponavlja
 joče se nevronske mreže (RNN) in obdelava naravnega jezika (NLP)\, ki so
  ključne za zaporedne podatkovne naloge in besedilne aplikacije.\n\nOb ko
 ncu tečaja boste svoje znanje uporabili v končnem projektu\, kjer boste 
 s tehnikami računalniškega vida zgradili model klasifikacije objektov. I
 zboljšali boste delovanje modela z učenjem prenosa in povečanjem podatk
 ov ter pridobili dragocene izkušnje pri optimizaciji modelov z omejenimi 
 podatki. Tečaj vas bo vodil tudi skozi nastavitev lastnega razvojnega oko
 lja AI in vas tako pripravil na samostojno izvajanje projektov globokega u
 čenja. Ne glede na to\, ali ste začetnik pri umetni inteligenci ali žel
 ite razširiti svoje spretnosti\, ta tečaj zagotavlja trdno osnovo za vse
 \, ki jih zanima hitro razvijajoče se področje globokega učenja.\n\nOb 
 koncu delavnice lahko udeleženci pridobijo uradni certifikat Deep Learnin
 g Institute pri NVIDIA.\n\nZahtevnost: Osnovna\n\nJezik: Slovenski\n\nOpis
  poteka izobraževanja: Delavnica poteka na daljavo preko brskalnika na ob
 lačni infrastrukturi AWS.\n\nPriporočeno predznanje: Razumevanje osnovni
 h konceptov programiranja v Python 3\, kot so funkcije\, zanke\, slovarji 
 in polja\; poznavanje podatkovnih struktur Panda\; in razumevanje\, kako i
 zračunati regresijsko črto.\n\nCiljna publika: Študenti računalništva
 \, inženirji\, raziskovalci\, razvijalci ter vsi\, ki želijo razumeti\, 
 kako ta tehnologija deluje.\n\nNa izobraževanju pridobljena znanja:\n\n- 
 Naučite se osnovnih tehnik in orodij\, potrebnih za usposabljanje modela 
 globokega učenja\n-  Pridobite izkušnje s pogostimi podatkovnimi tipi gl
 obokega učenja in arhitekturami modelov\n- Izboljšajte nabore podatkov z
  razširitvijo podatkov\, da izboljšate natančnost modela\n- Izkoristite
  prenos učenja med modeli za doseganje učinkovitih rezultatov z manj pod
 atkov in računanja\n- Zgradite samozavest\, da se lotite lastnega projekt
 a s sodobnim ogrodjem poglobljenega učenja\n\nOmejitev števila udeležen
 cev: 30\n\nSpeaker(s): Domen Verber\, Jani Dugonik\n\nAgenda: \n10:00–10
 :30: Uvod\n– Spoznaj predavatelja.\n– Ustvari račun na: https://learn
 .nvidia.com/join\n\n10:30–13:30: Osnove globokega učenja\n– Spoznaj t
 emeljne mehanizme in orodja za uspešno učenje globokih nevronskih mrež.
 \n– Ustvari svoj prvi model za računalniški vid.\n– Uporabi konvoluc
 ijske nevronske mreže za izboljšanje natančnosti napovedi.\n– Uporabi
  podatkovno razširitev (data augmentation) za boljše generaliziranje mod
 ela.\n\n13:30–14:30: Odmor za kosilo\n\n14:30–16:00: Prednaučeni mode
 li in veliki jezikovni modeli (LLM)\n– Uporabi prednaučene modele za hi
 tro reševanje izzivov globokega učenja.\n– Učenje povratnih nevronski
 h mrež na zaporednih podatkih.\n– Integriraj prednaučeni model za samo
 dejna vrata za pse.\n– Uporabi prenos učenja (angl. transfer learning) 
 za prilagoditev modela svojemu psu.\n– Uporabi LLM za odgovarjanje na vp
 rašanja na podlagi danega besedila.\n\n16:00–16:15: Odmor za kavo\n\n16
 :15–17:15: Zaključni projekt: Razvrščanje objektov\n– Uporabi raču
 nalniški vid za razlikovanje med svežim in pokvarjenim sadjem.\n– Ustv
 ari in treniraj model\, ki interpretira barvne slike.\n– Zgradi generato
 r podatkov za učinkovitejše učenje na manjših naborih.\n– Pospeši u
 čenje s kombinacijo prenosa učenja in ekstrakcije značilk.\n– Spoznaj
  napredne arhitekture in raziskovalna področja za nadaljnje učenje.\n\n1
 7:15–17:45: Zaključni pregled\n– Pregled ključnih vsebin in vprašan
 ja udeležencev.\n– Zaključi nalogo za pridobitev certifikata.\n– Izp
 olni anketo o delavnici.\n– Spoznaj\, kako postaviti svoje okolje za raz
 voj aplikacij AI.\n\nVirtual: https://events.vtools.ieee.org/m/509412
LOCATION:Virtual: https://events.vtools.ieee.org/m/509412
ORGANIZER:jani.dugonik@ieee.org
SEQUENCE:21
SUMMARY:Delavnica NVIDIA: Osnove globokega učenja
URL;VALUE=URI:https://events.vtools.ieee.org/m/509412
X-ALT-DESC:Description: &lt;br /&gt;&lt;p&gt;&lt;strong&gt;Kratek opis:&amp;nbsp\;&lt;/strong&gt;Ta te
 čaj nudi praktičen uvod v globoko učenje\, zmogljivo tehniko umetne int
 eligence\, ki se uporablja v panogah\, kot so zdravstvo\, maloprodaja in a
 vtomobilizem. &amp;Scaron\;tudenti se bodo naučili trenirati modele globokega
  učenja z uporabo orodij\, kot je PyTorch\, s poudarkom na ključnih konc
 eptih\, kot so konvolucijske nevronske mreže (CNN)\, povečevanje podatko
 v in prenos učenja. Skozi praktične vaje bodo udeleženci pridobili izku
 &amp;scaron\;nje pri gradnji modelov za klasifikacijo slik\, obdelavo naravneg
 a jezika ipd. Ob koncu tečaja boste pridobili ve&amp;scaron\;čine za re&amp;scar
 on\;evanje projektov globokega učenja s sodobnimi okviri in pristopi.&lt;/p&gt;
 \n&lt;p&gt;&lt;strong&gt;Podrobnej&amp;scaron\;i opis:&lt;/strong&gt;&amp;nbsp\;Ta tečaj ponuja obs
 ežen uvod v poglobljeno učenje\, ključno tehnologijo\, ki spodbuja napr
 edek v panogah\, kot so zdravstvo\, maloprodaja in avtomobilizem. Globoko 
 učenje uporablja večplastne nevronske mreže za re&amp;scaron\;evanje komple
 ksnih nalog\, kot so prepoznavanje slik\, prevajanje jezikov in obdelava g
 ovora. Cilj tečaja je opremiti &amp;scaron\;tudente s temeljnimi ve&amp;scaron\;
 činami\, potrebnimi za usposabljanje in uvajanje modelov globokega učenj
 a z uporabo sodobnih orodij\, kot je PyTorch. S praktičnimi aplikacijami\
 , ki segajo od zaznavanja predmetov do prilagojenih izku&amp;scaron\;enj\, se 
 boste naučili\, kako uporabiti umetno inteligenco za težave v resničnem
  svetu.&lt;/p&gt;\n&lt;p&gt;Skozi tečaj boste raziskovali pomembne koncepte globokega
  učenja\, kot so konvolucijske nevronske mreže (CNN)\, povečanje podatk
 ov in prenos učenja. Te tehnike so bistvene za izbolj&amp;scaron\;anje natan
 čnosti in učinkovitosti modela\, zlasti pri delu z velikimi\, zapletenim
 i nabori podatkov. Kurikulum zajema tudi uporabo vnaprej pripravljenih mod
 elov\, ki omogočajo hitrej&amp;scaron\;e usposabljanje modelov z izkori&amp;scaro
 n\;čanjem obstoječega znanja. Poleg tega boste raziskali napredne teme\,
  kot so ponavljajoče se nevronske mreže (RNN) in obdelava naravnega jezi
 ka (NLP)\, ki so ključne za zaporedne podatkovne naloge in besedilne apli
 kacije.&lt;/p&gt;\n&lt;p&gt;Ob koncu tečaja boste svoje znanje uporabili v končnem p
 rojektu\, kjer boste s tehnikami računalni&amp;scaron\;kega vida zgradili mod
 el klasifikacije objektov. Izbolj&amp;scaron\;ali boste delovanje modela z uč
 enjem prenosa in povečanjem podatkov ter pridobili dragocene izku&amp;scaron\
 ;nje pri optimizaciji modelov z omejenimi podatki. Tečaj vas bo vodil tud
 i skozi nastavitev lastnega razvojnega okolja AI in vas tako pripravil na 
 samostojno izvajanje projektov globokega učenja. Ne glede na to\, ali ste
  začetnik pri umetni inteligenci ali želite raz&amp;scaron\;iriti svoje spre
 tnosti\, ta tečaj zagotavlja trdno osnovo za vse\, ki jih zanima hitro ra
 zvijajoče se področje globokega učenja.&lt;/p&gt;\n&lt;p&gt;Ob koncu delavnice lahk
 o udeleženci pridobijo uradni certifikat Deep Learning Institute pri NVID
 IA.&lt;/p&gt;\n&lt;p&gt;&lt;strong&gt;Zahtevnost:&lt;/strong&gt;&amp;nbsp\;Osnovna&lt;/p&gt;\n&lt;p&gt;&lt;strong&gt;Jez
 ik:&lt;/strong&gt;&amp;nbsp\;Slovenski&lt;/p&gt;\n&lt;p&gt;&lt;strong&gt;Opis poteka izobraževanja:&amp;n
 bsp\;&lt;/strong&gt;Delavnica poteka na daljavo preko brskalnika na oblačni inf
 rastrukturi AWS.&lt;strong&gt;&lt;br&gt;&lt;/strong&gt;&lt;/p&gt;\n&lt;p&gt;&lt;strong&gt;Priporočeno predzna
 nje:&amp;nbsp\;&lt;/strong&gt;Razumevanje osnovnih konceptov programiranja v Python 
 3\, kot so funkcije\, zanke\, slovarji in polja\; poznavanje podatkovnih s
 truktur Panda\; in razumevanje\, kako izračunati regresijsko črto.&lt;/p&gt;\n
 &lt;p&gt;&lt;strong&gt;Ciljna publika:&lt;/strong&gt;&lt;span class=&quot;markedContent&quot;&gt;&amp;nbsp\;&amp;Sca
 ron\;tudenti računalni&amp;scaron\;tva\, inženirji\, raziskovalci\, razvijal
 ci ter vsi\, ki želijo razumeti\, kako ta tehnologija deluje.&lt;br&gt;&lt;/span&gt;&lt;
 /p&gt;\n&lt;p&gt;&lt;strong&gt;Na izobraževanju pridobljena znanja:&lt;/strong&gt;&lt;/p&gt;\n&lt;ul&gt;\n
 &lt;li&gt;Naučite se osnovnih tehnik in orodij\, potrebnih za usposabljanje mod
 ela globokega učenja&lt;/li&gt;\n&lt;li&gt;&amp;nbsp\;Pridobite izku&amp;scaron\;nje s pogost
 imi podatkovnimi tipi globokega učenja in arhitekturami modelov&lt;/li&gt;\n&lt;li
 &gt;Izbolj&amp;scaron\;ajte nabore podatkov z raz&amp;scaron\;iritvijo podatkov\, da 
 izbolj&amp;scaron\;ate natančnost modela&lt;/li&gt;\n&lt;li&gt;Izkoristite prenos učenja
  med modeli za doseganje učinkovitih rezultatov z manj podatkov in račun
 anja&lt;/li&gt;\n&lt;li&gt;Zgradite samozavest\, da se lotite lastnega projekta s sodo
 bnim ogrodjem poglobljenega učenja&lt;/li&gt;\n&lt;/ul&gt;\n&lt;p&gt;&amp;nbsp\;&lt;/p&gt;\n&lt;p&gt;&lt;stron
 g&gt;Omejitev &amp;scaron\;tevila udeležencev:&lt;/strong&gt; 30&lt;/p&gt;&lt;br /&gt;&lt;br /&gt;Agenda
 : &lt;br /&gt;&lt;p data-start=&quot;157&quot; data-end=&quot;285&quot;&gt;10:00&amp;ndash\;10:30: &lt;strong dat
 a-start=&quot;170&quot; data-end=&quot;178&quot;&gt;Uvod&lt;/strong&gt;&lt;br data-start=&quot;178&quot; data-end=&quot;1
 81&quot;&gt;&amp;ndash\; Spoznaj predavatelja.&lt;br data-start=&quot;204&quot; data-end=&quot;207&quot;&gt;&amp;nda
 sh\; Ustvari račun na: &lt;a href=&quot;https://learn.nvidia.com/join&quot;&gt;https://le
 arn.nvidia.com/join&lt;/a&gt;&lt;/p&gt;\n&lt;p data-start=&quot;287&quot; data-end=&quot;628&quot;&gt;10:30&amp;ndas
 h\;13:30:&amp;nbsp\;&lt;strong data-start=&quot;300&quot; data-end=&quot;327&quot;&gt;Osnove globokega u
 čenja&lt;/strong&gt;&lt;br data-start=&quot;327&quot; data-end=&quot;330&quot;&gt;&amp;ndash\; Spoznaj temelj
 ne mehanizme in orodja za uspe&amp;scaron\;no učenje globokih nevronskih mre
 ž.&lt;br data-start=&quot;412&quot; data-end=&quot;415&quot;&gt;&amp;ndash\; Ustvari svoj prvi model za
  računalni&amp;scaron\;ki vid.&lt;br data-start=&quot;461&quot; data-end=&quot;464&quot;&gt;&amp;ndash\; Up
 orabi konvolucijske nevronske mreže za izbolj&amp;scaron\;anje natančnosti n
 apovedi.&lt;br data-start=&quot;540&quot; data-end=&quot;543&quot;&gt;&amp;ndash\; Uporabi podatkovno ra
 z&amp;scaron\;iritev (data augmentation) za bolj&amp;scaron\;e generaliziranje mod
 ela.&lt;/p&gt;\n&lt;p data-start=&quot;630&quot; data-end=&quot;653&quot;&gt;13:30&amp;ndash\;14:30: &lt;strong d
 ata-start=&quot;643&quot; data-end=&quot;653&quot;&gt;Odmor za kosilo&lt;/strong&gt;&lt;/p&gt;\n&lt;p data-start
 =&quot;655&quot; data-end=&quot;1085&quot;&gt;14:30&amp;ndash\;16:00: &lt;strong data-start=&quot;668&quot; data-e
 nd=&quot;725&quot;&gt;Prednaučeni modeli in veliki jezikovni modeli (LLM)&lt;/strong&gt;&lt;br 
 data-start=&quot;725&quot; data-end=&quot;728&quot;&gt;&amp;ndash\; Uporabi prednaučene modele za hi
 tro re&amp;scaron\;evanje izzivov globokega učenja.&lt;br data-start=&quot;803&quot; data-
 end=&quot;806&quot;&gt;&amp;ndash\; Učenje povratnih nevronskih mrež na zaporednih podatk
 ih.&lt;br data-start=&quot;867&quot; data-end=&quot;870&quot;&gt;&amp;ndash\; Integriraj prednaučeni mo
 del za samodejna vrata za pse.&lt;br data-start=&quot;930&quot; data-end=&quot;933&quot;&gt;&amp;ndash\;
  Uporabi prenos učenja (angl. transfer learning) za prilagoditev modela s
 vojemu psu.&lt;br data-start=&quot;1012&quot; data-end=&quot;1015&quot;&gt;&amp;ndash\; Uporabi LLM za o
 dgovarjanje na vpra&amp;scaron\;anja na podlagi danega besedila.&lt;/p&gt;\n&lt;p data-
 start=&quot;1087&quot; data-end=&quot;1115&quot;&gt;16:00&amp;ndash\;16:15: &lt;strong data-start=&quot;1100&quot;
  data-end=&quot;1115&quot;&gt;Odmor za kavo&lt;/strong&gt;&lt;/p&gt;\n&lt;p data-start=&quot;1117&quot; data-end
 =&quot;1546&quot;&gt;16:15&amp;ndash\;17:15: &lt;strong data-start=&quot;1130&quot; data-end=&quot;1173&quot;&gt;Zakl
 jučni projekt: Razvr&amp;scaron\;čanje objektov&lt;/strong&gt;&lt;br data-start=&quot;1173
 &quot; data-end=&quot;1176&quot;&gt;&amp;ndash\; Uporabi računalni&amp;scaron\;ki vid za razlikovan
 je med svežim in pokvarjenim sadjem.&lt;br data-start=&quot;1252&quot; data-end=&quot;1255&quot;
 &gt;&amp;ndash\; Ustvari in treniraj model\, ki interpretira barvne slike.&lt;br dat
 a-start=&quot;1313&quot; data-end=&quot;1316&quot;&gt;&amp;ndash\; Zgradi generator podatkov za učin
 kovitej&amp;scaron\;e učenje na manj&amp;scaron\;ih naborih.&lt;br data-start=&quot;1391&quot;
  data-end=&quot;1394&quot;&gt;&amp;ndash\; Pospe&amp;scaron\;i učenje&amp;nbsp\;s kombinacijo pren
 osa učenja in ekstrakcije značilk.&lt;br data-start=&quot;1467&quot; data-end=&quot;1470&quot;&gt;
 &amp;ndash\; Spoznaj napredne arhitekture in raziskovalna področja za nadaljn
 je učenje.&lt;/p&gt;\n&lt;p data-start=&quot;1548&quot; data-end=&quot;1785&quot;&gt;17:15&amp;ndash\;17:45: 
 &lt;strong data-start=&quot;1561&quot; data-end=&quot;1582&quot;&gt;Zaključni pregled&lt;/strong&gt;&lt;br d
 ata-start=&quot;1582&quot; data-end=&quot;1585&quot;&gt;&amp;ndash\; Pregled ključnih vsebin in vpra
 &amp;scaron\;anja udeležencev.&lt;br data-start=&quot;1636&quot; data-end=&quot;1639&quot;&gt;&amp;ndash\; 
 Zaključi nalogo za pridobitev certifikata.&lt;br data-start=&quot;1688&quot; data-end=
 &quot;1691&quot;&gt;&amp;ndash\; Izpolni anketo o delavnici.&lt;br data-start=&quot;1720&quot; data-end=
 &quot;1723&quot;&gt;&amp;ndash\; Spoznaj\, kako postaviti svoje okolje za razvoj aplikacij 
 AI.&lt;/p&gt;
END:VEVENT
END:VCALENDAR