Kategoria „Trening algorytmów” obejmuje praktyczne i teoretyczne zasoby dotyczące procesu uczenia modeli — od przygotowania danych, wyboru architektury i funkcji kosztu, poprzez optymalizację hiperparametrów, aż po walidację i testowanie. Znajdą się tu poradniki dotyczące metod nadzorowanych, nienadzorowanych i uczenia ze wzmocnieniem, techniki zapobiegania przeuczeniu (regularizacja, augmentacja, early stopping), metryki oceny wydajności oraz narzędzia i frameworki wykorzystywane do trenowania algorytmów.

Materiały w tej kategorii obejmują przykłady kodu, dobre praktyki eksperymentalne, instrukcje korzystania z GPU/TPU, strategie skalowania treningu oraz wskazówki dotyczące replikowalności i dokumentacji wyników. Poruszane są też zagadnienia związane z etyką i odpowiedzialnym użyciem modeli, kosztami obliczeniowymi i optymalizacją zasobów, co pomaga zarówno początkującym, jak i zaawansowanym praktykom w skutecznym i bezpiecznym trenowaniu algorytmów.