Dzień 1:

1. Wprowadzenie do machine learning i AI.
2. Przegląd bibliotek ML dla Javy (Deeplearning4j, Smile, Weka).
3. Podstawy przetwarzania i analizy danych.
4. Wprowadzenie do uczenia nadzorowanego.
5. Praktyczne zastosowanie regresji.
6. Klasyfikacja danych.
7. Wprowadzenie do uczenia nienadzorowanego.
8. Algorytmy klasteryzacji.
9. Wizualizacja danych.
10. Przetwarzanie języka naturalnego (NLP) podstawy.
11. Feature engineering i selekcja cech.
12. Optymalizacja modeli ML.
13. Walidacja krzyżowa i metody oceny modeli.
14. Praktyczne warsztaty: budowanie pierwszego modelu ML.

Dzień 2:

1. Zaawansowane techniki uczenia maszynowego.
2. Głębokie uczenie (Deep Learning) – wprowadzenie.
3. Implementacja prostych sieci neuronowych.
4. Convolutional Neural Networks (CNN) – podstawy.
5. Natural Language Processing (NLP) – zaawansowane techniki.
6. Rekomendacje systemów i algorytmy.
7. Time series analysis i prognozowanie.
8. Wykorzystanie ML w Big Data.
9. Deployment modeli ML w aplikacjach Java.
10. Etyka i odpowiedzialność w AI.
11. Monitorowanie i utrzymanie modeli ML.
12. Przegląd narzędzi do automatyzacji i MLOps.
13. Praktyczne warsztaty: od projektu do produkcji.
14. Podsumowanie, Q&A, i kierunki rozwoju w machine learning.