| 1 | 001, 002, 003, 004 | https://youtu.be/FbD2Mw3BTLw |
| 2 | 004, 005, 006, 007, 008, 009 | |
| 3 | 009, 010, 011 | https://youtu.be/OiNBD16LKR4 |
| 4 | 012, 013, 014, 015 | https://youtu.be/9-0i2-uR8Yw |
| 5 | 016, 017, 018, 019 | https://youtu.be/pJ7H0IH6cdE |
| 6 | 020, 021, 022, 023, 024 | https://youtu.be/WsMDXpA4e1U |
| 7 | 025, 026, 027, 028, 029, 030, 031, 032, 033 | https://youtu.be/GNlC7-X7vA0 |
| 8 | 034, 035, 036, 037, 038, 039, 040 | https://youtu.be/hb4JgKadh8Y |
| 9 | 041, 042, 043, 044, 045, 046, 047 | https://youtu.be/W25Y9F4X3vE |
| 10 | Prezentacja projektów | https://youtu.be/oge1xjbA1zc |
| 11 | 047, 048, 049, 050, 051, 052, 054, 055, 056 | https://youtu.be/alXmx6-6vEM |
| 12 | 058, 059 | https://youtu.be/EPzegYQ-Wdk |
| 13 | 060, 061, 062, 063 | https://youtu.be/6JX2Ch-3Ncs |
| 14 | 063, 064, 065, 066, 067 | https://youtu.be/y9B93tjWUj4 |
| 15 | 068, 069, 070, 071, 072 | https://youtu.be/wCXQZuvwt4U |
| 001 | Regresja liniowa przy pomocy równań normalnych (numpy) | 001Linear.zip |
| 002 | Regresja liniowa przy pomocy minimalizacji metodą gradientu (numpy) | 002Minimize.zip |
| 003 | Zbiór danych do klasyfikacji irysów | 003Iris.zip |
| 004 | Regresja logistyczna (numpy) | 004Logistic.zip |
| 005 | Uproszczony zbiór danych do klasyfikacji ręcznie pisanych cyfr | 005Digits.zip |
| 006 | Klasyfikacja cyfr przy pomocy regresji logistycznej (numpy) | 006Logistic.zip |
| 007 | Regresja liniowa przy pomocy równań normalnych (PyTorch) | 007Linear.zip |
| 008 | Regresja liniowa przy pomocy minimalizacji metodą gradientu (PyTorch) | 008Minimize.zip |
| 009 | Regresja logistyczna (PyTorch) | 009Logistic.zip |
| 010 | Dokładność klasyfikacji (PyTorch) | 010Accuracy.zip |
| 011 | Podział danych na porcje (PyTorch) | 011Batch.zip |
| 012 | Zbiór uczący i testowy (PyTorch) | 012Test.zip |
| 013 | Sieć wielowarstwowa w pełni połączona MLP (PyTorch) | 013Mlp.zip |
| 014 | Pełen zbiór danych do klasyfikacji ręcznie pisanych cyfr MNIST | 014Mnist.zip |
| 015 | Klasyfikacja cyfr przy pomocy MLP na procesorze (PyTorch) | 015Mlp.zip |
| 016 | Obliczenia na procesorze i karcie graficznej (PyTorch) | 016Gpu.zip |
| 017 | Klasyfikacja cyfr przy pomocy MLP na karcie graficznej (PyTorch) | 017Mlp.zip |
| 018 | Splot (numpy, PyTorch) | 018Convolve.zip |
| 019 | Filtr Sobla do wykrywania krawędzi (PyTorch) | 019Sobel.zip |
| 020 | Sieci splotowe (PyTorch) | 020Cnn.zip |
| 021 | Gotowe warstwy i modele sekwencyjne (PyTorch) | 021Model.zip |
| 022 | Warstwy pooling (PyTorch) | 022Pooling.zip |
| 023 | Architektura LeNet5 (PyTorch) | 023Lenet.zip |
| 024 | Powierzchnia decyzyjna w dwóch wymiarach (numpy) | 024Circles.zip |
| 025 | Przeuczenie (PyTorch) | 025Overfit.zip |
| 026 | Przechowywanie parametrów modelu na dysku (PyTorch) | 026Pickle.zip |
| 027 | Wczesny stop (PyTorch) | 027Stop.zip |
| 028 | Regularyzacja (PyTorch) | 028Regularize.zip |
| 029 | Warstwy dropout (PyTorch) | 029Dropout.zip |
| 030 | Tryb treningowy i ewaluacyjny (PyTorch) | 030Mode.zip |
| 031 | Normalizacja danych wejściowych (PyTorch) | 031Normalize.zip |
| 032 | Warstwy normalizacyjne (PyTorch) | 032Batchnorm.zip |
| 033 | Moduł do obróbki obrazów PIL | 033Pil.zip |
| 034 | Zliczanie obiektów na rysunku (PyTorch) | 034Count.zip |
| 035 | Zbiór i ładowarka danych (PyTorch) | 035Data.zip |
| 036 | Duże zbiory danych (PyTorch) | 036Bigdata.zip |
| 037 | Uczenie sieci na dużych zbiorach danych (PyTorch) | 037Train.zip |
| 038 | Zbiór danych do klasyfikacji kolorowych zdjęć CIFAR10 | 038Cifar.zip |
| 039 | Architektura VGG (PyTorch) | 039Vgg.zip |
| 040 | Przeksztłcenia obrazów w formacie PIL (PyTorch) | 040Transform.zip |
| 041 | Wytwarzanie sztucznych danych (PyTorch) | 041Augment.zip |
| 042 | Zbiór danych do klasyfikacji kolorowych zdjęć STL10 | 042Stl.zip |
| 043 | Wstępnie wytrenowana sieć ResNet18 (PyTorch) | 043Resnet.zip |
| 044 | Transfer learning (PyTorch) | 044Transfer.zip |
| 045 | Sieci w pełni konwolucyjne (PyTorch) | 045Fcn.zip |
| 046 | Detekcja obiektów na rysunku (PyTorch) | 046Detect.zip |
| 047 | Klasyfikacja poszczególnych punktów obrazu (PyTorch) | 047Pixel.zip |
| 048 | Segmentacja semantyczna (PyTorch) | 048Segment.zip |
| 049 | Zagadnienie regresji (PyTorch) | 049Regress.zip |
| 050 | Lokalizacja obiektów na rysunku (PyTorch) | 050Localize.zip |
| 051 | Modele modularne (PyTorch) | 051Module.zip |
| 052 | Lokalizacja z klasyfikacją (PyTorch) | 052Classify.zip |
| 053 | Neuronowy transfer stylu (PyTorch) | 053Style.zip |
| 054 | Autokodery (PyTorch) | 054Autocoder.zip |
| 055 | Wykrywanie anomalii (PyTorch) | 055Anomaly.zip |
| 056 | Autokodery odszumiające (PyTorch) | 056Denoise.zip |
| 057 | Autonomiczny samochód (PyTorch) | 057Autocar.zip |
| 058 | Procesy decyzyjne Markowa (PyTorch) | 058Mdp.zip |
| 059 | Wyznaczanie wartości stanów i akcji (PyTorch) | 059Predict.zip |
| 060 | Wyznaczanie optymalnej polityki (PyTorch) | 060Control.zip |
| 061 | Gra w pchełki (PyTorch) | 061Jumper.zip |
| 062 | Q-Learning (PyTorch) | 062Qlearn.zip |
| 063 | Uczenie epizodyczne (PyTorch) | 063Episode.zip |
| 064 | Polityka epsilon-zachłanna (PyTorch) | 064Greed.zip |
| 065 | Znajdowanie drogi w labiryncie (PyTorch) | 065Maze.zip |
| 066 | Czynnik dyskontujący (PyTorch) | 066Discount.zip |
| 067 | Utrzymywanie pionowego pręta na palcu (OpenAI) | 067Pole.zip |
| 068 | Katastrofalne zapominanie (OpenAI, PyTorch) | 068Forget.zip |
| 069 | Target network (OpenAI, PyTorch) | 069Target.zip |
| 070 | Experience replay (OpenAI, PyTorch) | 070Replay.zip |
| 071 | Uczenie wielu agentów jednocześnie (OpenAI, PyTorch) | 071Multi.zip |
| 072 | Metoda entropii krzyżowej na pojedynczych epizodach (OpenAI, PyTorch) | 072Cross.zip |
| 073 | Metoda entropii krzyżowej na grupach epizodów (OpenAI, PyTorch) | 073Entropy.zip |