Costruzione e addestramento di reti neurali profonde.

Modulo 1: Deep Learning e alle Reti Neurali Cos'è il Deep Learning e come si differenzia dal Machine Learning tradizionale Panoramica delle reti neurali: perceptron, architetture a strati Applicazioni del Deep Learning in vari settori (immagini, testo, audio) Modulo 2: Fondamenti delle Reti Neurali Artificiali (ANN) Cos'è una rete neurale: neuroni, strati e attivazione Funzione di attivazione: Sigmoid, ReLU, Tanh Architettura di una rete neurale semplice (input, strato nascosto, output) Modulo 3: Propagazione in Avanti (Forward Propagation) Il processo di forward propagation: passaggio dei dati attraverso la rete Calcolo delle uscite per ogni neurone Funzione di attivazione nei singoli neuroni Modulo 4: Errore e Funzioni di Perdita (Loss Function) Cos'è una funzione di perdita e il suo ruolo nel training Funzioni di perdita comuni: MSE (Mean Squared Error), Cross-Entropy Come calcolare l'errore nelle reti neurali Modulo 5: Backpropagation: Algoritmo di Apprendimento backpropagation per l'aggiornamento dei pesi Derivazione del gradiente: calcolo dei gradienti dell'errore Aggiornamento dei pesi con l'algoritmo del gradiente discendente Modulo 6: Ottimizzazione delle Reti Neurali Cos'è l'ottimizzazione e come si applica nel deep learning Algoritmi di ottimizzazione: Gradiente Discendente, Adam, RMSprop Il ruolo del learning rate nell'ottimizzazione Modulo 7: Costruzione di Reti Neurali con Keras e TensorFlow Panoramica di Keras e TensorFlow come strumenti di Deep Learning Creazione di una rete neurale semplice con Keras Struttura e sintassi di base per costruire modelli di rete neurale Modulo 8: Architetture Complesse: Reti Neurali Convoluzionali (CNN) le reti neurali convoluzionali (CNN) Cos'è una convoluzione: filtri e kernel Architettura tipica di una CNN: strati convoluzionali, di pooling, di fully connected Modulo 9: Addestramento di una CNN con Immagini Preprocessing dei dati di immagini per l'addestramento Esempio di implementazione di una CNN per la classificazione di immagini (MNIST, CIFAR-10) Tecniche di augmentation dei dati per migliorare le prestazioni Modulo 10: Reti Neurali Ricorrenti (RNN) e LSTM Cos'è una rete neurale ricorrente (RNN) e a cosa serve Architettura di una RNN e come gestisce le sequenze LSTM (Long Short-Term Memory) per gestire il problema del vanishing gradient nelle RNN Modulo 11: Addestramento di una RNN per il Trattamento di Dati Sequenziali Preprocessing di dati temporali e sequenziali Implementazione di una RNN con Keras per la previsione di sequenze (serie temporali, traduzione automatica) Applicazioni di RNN: analisi del testo, predizione di stock Modulo 12: Tecniche di Regularizzazione per Evitare l'Overfitting Cos'è l'overfitting e come influenzare negativamente il modello Tecniche di regularizzazione: Dropout, L1/L2 Regularization Early stopping e altre strategie per prevenire l'overfitting Modulo 13: Ottimizzazione Avanzata e Hyperparameter Tuning Cos'è l'iperparametro e l'importanza della sua scelta Tecniche di ricerca degli iperparametri: Grid Search, Random Search, Bayesiano Ottimizzazione dell'architettura della rete e miglioramento delle prestazioni Modulo 14: Transfer Learning: Riutilizzo di Reti Pre-addestrate Cos'è il Transfer Learning e come funziona Utilizzo di modelli pre-addestrati (ResNet, VGG, Inception) per risolvere nuovi problemi Fine-tuning e adattamento delle reti pre-addestrate a nuovi task Modulo 15: Gestione e Monitoraggio dell'Addestramento del Modello Monitoraggio dell'addestramento con TensorBoard Come analizzare l'andamento della funzione di perdita e dell'accuratezza Salvataggio e caricamento dei modelli per il deploymentù