Po ukończeniu kursu, absolwent posiada wiedzę i umiejętności w zakresie przetwarzania obrazów cyfrowych i wybranych zastosowań głębokiego uczenia w dziedzinie widzenia komputerowego. Zna i rozumie podstawowe pojęcia związane z cyfrowym przetwarzaniem obrazów, takie jak próbkowanie przestrzenne, kwantyzacja wartości pikseli oraz przestrzenie kolorów. Potrafi wykorzystać język Python oraz bibliotekę PyTorch do programowego przetwarzania obrazów, w tym wczytywania, manipulacji pikselami oraz stosowania filtrów. Rozumie zasadę działania sieci neuronowych, ich architekturę, funkcje aktywacji oraz funkcje straty. Posiada umiejętności w zakresie przygotowywania danych, optymalizacji modeli oraz analizy wyników. Znajomość różnych funkcji aktywacji, takich jak ReLU, Sigmoid i Softmax, pozwala mu na świadomy wybór odpowiednich narzędzi do rozwiązywania konkretnych problemów. Potrafi zaimplementować i wytrenować proste modele sieci neuronowych, w tym sieci konwolucyjne, do klasyfikacji obrazów. Absolwent jest zaznajomiony z zaawansowanymi technikami uczenia transferowego, co pozwala mu na wykorzystanie wiedzy zgromadzonej we wstępnie wytrenowanych modelach. Potrafi stosować techniki zamrażania warstw oraz dostrajania modeli w celu osiągnięcia lepszych wyników. Zna i umie wykorzystywać gotowe modele sieci neuronowych do wybranych zastosowań. Posiada wiedzę i umiejętności programowe w zakresie detekcji obiektów i segmentacji obrazów, rozumie pojęcia z nimi związane oraz potrafi stosować różne architektury sieci, takie jak YOLO i Faster R-CNN, do wykrywania obiektów na obrazach. Absolwent potrafi i rozumie koncepcje związane z architekturą enkoder-dekoder, przestrzenią ukrytą w autoenkoderach oraz funkcjami straty stosowanymi w sieciach GAN. Potrafi zaimplementować i wytrenować proste modele generatywne do tworzenia obrazów oraz stosować techniki transferu stylu. Absolwent kursu posiada również wiedzę na temat praktycznych aspektów wykorzystania modeli sieci neuronowych, w tym metod serializacji modeli za pomocą TorchScript i formatu ONNX. Zna techniki optymalizacji modeli pod kątem wydajności wnioskowania, takie jak kwantyzacja, co pozwala na redukcję precyzji liczb z typowego 32-bitowego formatu zmiennoprzecinkowego do mniejszych formatów, takich jak 8-bitowe liczby całkowite. Potrafi przeprowadzić proces konwersji modelu do różnych formatów oraz ocenić wpływ kwantyzacji na dokładność i czas wnioskowania modelu.