Percorso da Deep Learning Specialist

Il percorso ti permetterà di apprendere le basi del Deep Learning e di lavorare con le principali librerie Python guidandoti attraverso diversi casi studio e diverse tipologie di reti.

6 studenti iscritti
01

Introduzione al Deep Learning

Vedrai una breve introduzione al Deep Learning

Descrizione: In queste lezioni vedrai dei concetti di base delle Reti Neurali e dei brevi cenni storici per arrivare a capire a che punto siamo realisticamente al giorno d’oggi.

  1. Introduzione al Deep Learning
    1. Introduzione al corso
    2. Introduzione al Deep Learning
    3. L’evoluzione del Deep Learning
02

Deep Learning con Keras

Imparerai a realizzare modelli di Deep Learning con Keras

Descrizione: Questo modulo ti insegnerà a realizzare dei modelli di Deep Learning per diversi task come la regressione e la classificazione su dati tabellari, la computer vision, le previsioni su serie storiche ed un semplice task di Natural Language Processing. Inoltre, il corso ti permetterà di imparare a gestire un progetto in modo corretto. Il framework che utilizzerai sarà Keras, una API, quindi una versione più semplice di Tensorflow.

  1. Concetti base per la gestione dei progetti
    1. Creare un Virtual Env
    2. Il Dataset MNIST
    3. Un modello per MNIST
    4. Previsione su MNIST
    5. Introduzione ai Tensor
    6. Operazioni sui Tensori
  2. Keras su dati tabellari
    1. Un modello per Keras
    2. Una Pipeline per Keras
    3. Approfondimento sui Kernel Initializers
    4. Il caso degli incassi dei film
    5. Classificazione con Keras – Esempio Didattico
    6. Classificazione con Keras – Caso di Studio
    7. Esportare un ambiente
    8. Clonare un ambiente
  3. Keras per Computer Vision
    1. CV con Keras – Esempio Didattico
    2. Approfondimento sui modelli Pre-Addestrati
    3. CV con Keras – Caso di Studio
  4. Keras per Time Series
    1. Serie Storiche con Keras
    2. Ottimizzazione con Keras Tuner
    3. Ottimizzazione con Optuna
    4. AutoKeras
    5. Approfondimento LSTM
    6. Time Series con Keras – Caso di Studio
  5. Keras per NLP
    1. NLP con Keras – Pre-Processing
    2. NLP con Keras – Il modello
    3. NLP con Keras – La previsione
    4. Quiz – Keras

Servono dei pre-requisiti?

Formalmente no, ma è necessario avere una buona conoscenza della programmazione in python, delle basi statistiche e dei modelli di machine learning.

è davvero importante il Deep Learning?

Benché molti dei casi d’uso siano su dati tabellari e l’algoritmo più utilizzato sia XGBOOST è importante sapere che negli ultimi anni l’utilizzo di algoritmi di Deep Learning è crescente ed esistono dei task (computer vision e NLP su tutti) che possono essere risolti solamente utilizzando questo tipo di algoritmi.

Quali task saranno trattati?

Si vedranno i task di regressione e classificazione su dati tabellari, task di computer vision, serie storiche ed un semplice task di NLP.

03

Deep Learning con Tensorflow

Imparerai a realizzare modelli di Deep Learning con Tensorflow

Descrizione: Questo modulo ti insegnerà a realizzare dei modelli di Deep Learning per diversi task come la regressione e la classificazione su dati tabellari, la computer vision, le previsioni su serie storiche ed un semplice task di Natural Language Processing. Il framework che utilizzerai questa volta sarà Tensorflow.

  1. Differenza con Keras
    1. Tensorflow – Differenze rispetto a Keras
  2. Tensorflow su dati tabellari
    1. Regressione con Tensorflow – Esempio Didattico
    2. Approfondimento – Activation Fuction
    3. Regressione con Tensorflow – Caso di Studio
    4. Classificazione con Tensorflow – Esempio Didattico
    5. Approfondimento – Optimizers
    6. Classificazione con Tensorflow – Caso di Studio
  3. Tensorflow per Computer Vision
    1. CV con Tensorflow – Il dataset Fashion MNIST
    2. CV con Tensorflow – Tensorflow Optimizer ToolKit
    3. CV con Tensorflow – Caso di Studio
  4. Tensorflow per Time Series
    1. Times Series con Tensorflow – Esempio Didattico “Vanilla Model”
    2. Times Series con Tensorflow – Esempio Didattico “Stacked e Bidirectional”
    3. Times Series con Tensorflow – Caso di Studio
    4. Times Series con Tensorflow – ArgeParse
  5. Tensorflow per NLP
    1. NLP con Tensorflow – Pre-Processamento
    2. NLP con Tensorflow – Il modello
    3. Approfondimento – Funzioni “loss”
    4. Quiz – Tensorflow

Cos’ha di particolare questo modulo?

In questo modulo si vedranno alcune aggiunte all’API Keras che permettono di migliorare il modello rispetto ad uno basilare.

Il modulo ha dei pre-requisiti?

è necessario avere una buona conoscenza della programmazione in python, delle basi statistiche e dei modelli di machine learning. Inoltre, sono presenti nel modulo riferimenti al modulo Keras precedente perciò non seguirlo vorrebbe dire non ritrovarsi in tutti i punti.

Quali sono gli ambiti di applicazione?

I task sono vari e gli ambiti di applicazione ancora di più! Vedrai alcuni casi studio presi da diversi settori come il real estate, il settore industriale, il settore automotive e della finanza; questi algoritmi possono essere applicati a praticamente tutti i settori purché vi sia disponibilità di dati.

04

Deep Learning con Pytorch

Imparerai a realizzare modelli di Deep Learning con Pytorch

Descrizione: Questo modulo ti insegnerà a realizzare dei modelli di Deep Learning per diversi task come la regressione e la classificazione su dati tabellari, la computer vision, le previsioni su serie storiche ed un semplice task di Natural Language Processing. Inoltre, il corso ti permetterà di imparare diversi concetti che sono alla base dei modelli di Deep Learning e potrebbero esserti molto utili per lavorare in ambito di ricerca. Il framework che utilizzerai sarà Pytorch.

  1. Teoria di base per la ricerca
    1. Creare un ambiente per Pytorch
    2. Primo approccio con Pytorch
    3. Tensori in Pytorch
    4. Datasets e DataLoaders
    5. Regressione Lineare con Pytorch
    6. Reti Neurali con Pytorch
    7. Ciclo di Addestramento
    8. Approfondimento Autograd
  2. Pytorch su Dati Tabellari
    1. Regressione con Pytorch – Esempio Didattico
    2. Regressione con Pytorch – Caso di Studio
    3. Classificazione con Pytorch – Esempio Didattico
    4. Classificazione con Pytorch – Caso di Studio
  3. Pytorch per Computer Vision
    1. CV con Pytorch – Esempio Didattico
    2. CV con Pytorch – Caso di Studio
  4. Pytorch per Times Series
    1. Times Series con Pytorch – Esempio Didattico
    2. Times Series con Pytorch – Caso di Studio
  5. Pytorch per NLP
    1. NLP con Pytorch
    2. Quiz – Pytorch

Ci sono dei pre-requisiti?

Formalmente no, ma è necessario avere una buona conoscenza della programmazione in python, delle basi statistiche e dei modelli di machine learning. Inoltre, sono presenti dei riferimenti ai moduli precedenti perciò non seguirli vorrebbe dire non ritrovarsi in tutti i punti.

Perché questo modulo è così importante?

L’essenza di questo modulo è mostrarti come realizzare da te una rete neurale il più possibile customizzata per i tuoi casi d’uso ed applicabile anche al contesto della ricerca. Inoltre, la teoria che si vedrà ti permetterà di comprendere meglio cosa c’è dietro le reti neurali.

Ci sono esempi pratici?

Il modulo si compone di 5 esempi didattici e 4 casi studio, sparsi su diversi tipi di task.

Sii il primo ad aggiungere una recensione.

Accedi per lasciare una recensione
Ottieni corso
Prezzi IVA Esclusa - Garanzia di rimborso valida per 14 giorni

Include

67 lectures
Completo accesso a vita
Accesso su cellulare e TV
Presentazione del corso
Il corso include

Accesso completo a vita

Disponibile su tutti i device

8 ore di lezione

Codice pronto all’uso

Certificato di completamento finale

Sei un’Azienda?