Úvod do neuronových sítí, Představení základních konceptů neuronových sítí, historie a jejich využití ve srovnání s tradičními metodami strojového učení.

Představení Tensorflow a Kerasu v prostředí programovacího jazyka Python, výpočty na cloudu.

Perceptrony a vícevrstvé perceptrony. Vysvětlení modelu perceptronu, jeho možnosti a omezení, a přechod k vícevrstvým perceptronům (MLP).

Zpětná propagace chyby. Detailní průzkum algoritmu zpětné propagace, který se používá k výpočtu gradientů pro tréninkový proces.

Optimalizační algoritmy. Přehled různých optimalizačních algoritmů používaných pro trénink neuronových sítí, včetně stochastického gradientního sestupu a Adam.

Hyperparametry: Hledání optimálního nastavení parametrů neuronových sítí (grid search, random grid search a Bayes metody).

Konvoluční neuronové sítě (CNN). Úvod do CNN, jejich architektury a aplikací v zpracování obrazu a rozpoznávání vzorů.

Rekurentní neuronové sítě (RNN). Seznámení se základy RNN, včetně variant jako LSTM a GRU, a jejich použití pro sekvenční data.

Regularizace a Dropout. Vysvětlení technik jako regularizace a dropout k předcházení přeučení modelů neuronových sítí.

Hluboké zesilovací učení, Úvod do hlubokého zesilovacího učení, jeho principů a aplikací v adaptivních systémech a hrách.

Autoenkodéry a generativní adversariální sítě (GAN). Přehled autoenkodérů a GAN, důležité koncepty a jejich použití pro generování nových dat.

Praktické aspekty trénování neuronových sítí. Diskuze o výběru hyperparametrů, nastavení architektury a vyhodnocení výkonu neuronových sítí.

Aplikace neuronových sítí. Příklady skutečných aplikací neuronových sítí v průmyslu, zdravotnictví a dalších oborech.