To repozytorium zawiera zbiór mini projektów z wykorzystaniem TensorFlow, demonstrujących różnorodne podejścia do rozwiązywania problemów uczenia maszynowego. Znajdziesz tutaj przykłady implementacji modeli głębokiego uczenia, klasycznych algorytmów reinforcement learning, niestandardowych pętli treningowych, a także eksperymentów z różnymi architekturami.

• DQN (Deep Q-Network) 🎮
  Implementacja Deep Q-Network wykorzystywana w środowiskach reinforcement learning.

• Implementacja Q-Learning 🤖
  Klasyczna implementacja algorytmu Q-Learning.

• Klasyfikacja i opisywanie uszkodzeń samolotów ✈️
  Wykorzystanie wstępnie wyszkolonych modeli do wykrywania i opisywania uszkodzeń na przykładzie samolotów.

• Customowe pętle treningowe 🔄
  Projekt demonstrujący tworzenie własnych pętli treningowych w TensorFlow.

• Transformery 🔀
  Implementacja modeli transformerowych do przetwarzania sekwencyjnych danych.

• Niestandardowe pętle (custom loops) 🔁
  Alternatywne podejście do pętli treningowych, ukazujące pełną kontrolę nad procesem uczenia.

• Modele regresji 📈
  Przykłady modeli regresyjnych ilustrujących zastosowanie TensorFlow w zadaniach regresji.

• Modele dyfuzji 🌐
  Implementacja modeli dyfuzji wykorzystywanych m.in. w generatywnych zadaniach.

• Hiperparametry ⚙️
  Eksperymenty dotyczące doboru oraz optymalizacji hiperparametrów.

• Autoenkodery 🛠️
  Projekt wprowadzający w zagadnienia autoenkoderów i ich zastosowań.

• Funkcje aktywacji i znikający gradient 🔋
  Analiza wpływu różnych funkcji aktywacji oraz problemu znikającego gradientu w sieciach neuronowych.

• Propagacja wsteczna 🔙
  Szczegółowe omówienie mechanizmu propagacji wstecznej i jego roli w uczeniu sieci.

• Konwolucyjne sieci neuronowe (CNN) 👁️
  Implementacja CNN do rozpoznawania obrazów oraz innych zastosowań wizualnych.

• Generative Adversarial Network (GAN) 🎭
  Projekt demonstrujący konkurencyjne uczenie generatora i dyskryminatora przy użyciu GAN.

• Propagacja do przodu ▶️
  Demonstruje mechanizm przekazywania informacji przez sieć neuronową (forward propagation).

• Klasyfikacja odpadów ♻️
  Model do klasyfikacji odpadów na podstawie obrazów, przydatny w recyklingu i sortowaniu.

• Klasyfikacja owoców 🍎🍌
  System rozpoznawania owoców oparty na obrazach, ukazujący zdolności klasyfikacyjne sieci neuronowych.

• Python 3.x
• TensorFlow 2.x
• Jupyter Notebook lub Jupyter Lab

Dodatkowe biblioteki, takie jak NumPy, Matplotlib, scikit-learn itd., mogą być wymagane w poszczególnych projektach. Zapoznaj się z importami w nagłówkach poszczególnych notebooków.

Każdy projekt znajduje się w oddzielnym pliku z rozszerzeniem .ipynb. Aby uruchomić projekty:

1. Sklonuj repozytorium:

git clone https://github.com/TexablePlum/Tensorflow.git

2. Przejdź do katalogu z repozytorium:

3. Uruchom Jupyter Notebook lub Jupyter Lab:

4. Otwórz interesujący Cię notebook.