Deep Learning e Reti Neurali con Python: il Corso Pratico
-
Il docente non si perde in inutili e gratuite ripedizioni, va sempre dritto al punto.
← | →
-
Decisamente consigliato se si è alle prime armi.
← | →
-
Il corso è rivolto a tutti, il docente non dà mai nulla per scontato. Consigliato.
← | →
Corso
Online
Hai bisogno di un coach per la formazione?
Ti aiuterà a confrontare vari corsi e trovare l'offerta formativa più conveniente.
Descrizione
-
Tipologia
Corso
-
Metodologia
Online
-
Ore di lezione
13h
-
Inizio
Scegli data
-
Invio di materiale didattico
Sì
-
Servizio di consultazione
Sì
-
Tutoraggio personalizzato
Sì
-
Lezioni virtuali
Sì
L'Intelligenza Artificiale sta facendo progressi esponenziali, avanzando come nessuna tecnologia aveva mai fatto prima nella storia dell'uomo, e il merito è di un solo e unico campo:il Deep Learning.
Il Deep Learning è l'insieme di metodi utilizzati per addestrare le Reti Neurali Artificiali, un particolare modello del Machine Learning che hanno rivoluzionato l'intero settore.
Applicazione pratiche di Deep Learning e Reti Neurali Artificiali sono già intorno a noi:
Le self-driving cars che cambieranno come mai prima d'ora la mobilità urbana.
Gli assistenti virtuali come Alexa di Amazon e Google Home che sono sempre più presenti all'interno delle nostre abitazioni.
Sistemi intelligenti come IBM Watson che ogni giorno aiutano medici a fare diagnosi migliori salvando vite umane.In questo corso esploreremo il funzionamento del Deep Learning e impareremo insieme a creare i nostri modelli di Reti Neurali Artificiali utilizzando Python e Keras su Tensorflow per risolvere problemi differenti, come:
Identificare tumori maligni.
Riconoscere capi di abbigliamento nelle foto.
Classificare recensioni come positive o negative.Hai già seguito il nostro primo corso sul Machine Learning con Python o hai già esperienza con il Machine Learning ?
Allora sei pronto per addentrarti più in profondità con lo studio del Deep Learning e delle Reti Neurali Artificiali.
Sedi e date
Luogo
Inizio del corso
Inizio del corso
Profilo del corso
Comprendere il funzionamento delle Reti Neurali Artificiali,Comprendere i vantaggi delle Reti Neurali Artificiali Profonde,Distinguere i diversi tipi di algoritmi di ottimizzazione,Programmare una Rete Neurale Artificiale con Keras su Tensorflow,Addestrare una Rete Neurale Artificiale per il riconoscimento di oggetti,Addestrare una Rete Neurale Artificiale per la classificazione di testi,Addestrare una Rete Neurale Artificiale Profonda utilizzando la GPU,Addestrare una Rete Neurale Artificiale Profonda nel Cloud,Creare Reti Neurali Convoluzionali per problemi di Computer Vision,Creare Reti Neurali Ricorrenti (LSTM e GRU) per problemi di Natural Language Processing,Utilizzare il Word Embedding per creare una rappresentazione vettoriale dei testi,Analizzare un dataset utilizzando Pandas,Lavorare con iPython e Jupyter Notebook
Basi di matematica da scuola superiore,Conoscere un qualsiasi linguaggio di programmazione pu\u00f2 aiutare, ma non è indispensabile, è presente una sezione su Python per principianti assoluti
Deep Learning e Reti Neurali con Python: il Corso Pratico
Opinioni
-
Il docente non si perde in inutili e gratuite ripedizioni, va sempre dritto al punto.
← | →
-
Decisamente consigliato se si è alle prime armi.
← | →
-
Il corso è rivolto a tutti, il docente non dà mai nulla per scontato. Consigliato.
← | →
Valutazione del corso
Lo consiglia
Valutazione del Centro
Massimiliano Calani
Andrea Corso
Luca de Martino
Eugenio Pasquariello
Claudio Fausto Petrachi
Successi del Centro
Tutti i corsi devono essere aggiornati
La media delle valutazioni dev'essere superiore a 3,7
Più di 50 opinioni degli ultimi 12 mesi
4 anni del centro in Emagister.
Materie
- Reti
- Python
- Reti neurali
- E-learning
- Word 2007
Programma
Benvenuto in questo corso !
Dal Machine Learning al Deep Learning
Alcune applicazioni delle Reti Neurali Artificiali
Linguaggi e librerie per il Deep Learning
Prima di cominciare
L'approccio biologico
Funzionamento di una rete neurale artificiale
Struttura di una rete neurale artificiale
Rete neurale artificiale con Keras
Rete neurale artificiale profonda con Keras
Le funzioni di attivazione
Usare diverse funzioni di attivazione con Keras
Usare la matrice di confusione
La funzione di attivazione Softmax per classificazione multiclasse
Il dataset MNIST
Preprocessing del MNIST
Rete neurale per classificazioni multiclasse con Keras
Visualizzare gli errori della rete con Matplotlib
Approfondimenti e riferimenti
Derivate e Gradienti
Il Gradient Descent
Full batch, mini batch e stochastic gradient descent
Il dataset Fashion-MNIST
Full batch gradient descent con Keras
Stochastic gradient descent con Keras
Mini batch gradient descent con Keras
La Backpropagation
Scomparsa ed Esplosione del Gradiente
Inizializzazione dei parametri intelligente con Keras
Sfruttare il momentum
Implementare il momentum con Keras
Algoritmi con learning rate adattivo
Learning rate adattivo con Keras
Utilizzare l'ADAM con Keras
Il problema dell'overfitting
Approfondimenti e riferimenti
Bilanciamento di bias e varianza
Cause e rimedi dell'overfitting in una rete neurale
La regolarizzazione L1 e L2
Regolarizzazione L1 e L2 con Keras
Usiamo la rete per riconoscere capi di abbigliamento
Il Dropout
Introduzione all'IMDB Review Dataset
Preparare i dati
Creiamo la rete neurale
Combattiamo l'overfitting con il Dropout con Keras
Usiamo la rete per classificare recensioni di film
Validare una rete neurale
Approfondimenti e riferimenti
I vantaggi della GPU
Addestramento in Cloud
Testiamo la rete di benchmark sul nostro PC
Guida a Google Colab
Introduzione ad AWS EC2
Creiamo una macchina remota per Jupyter Notebook
Testiamo la rete di benchmark sull'istanza EC2
Connettere un kernel remoto ad ATOM
Approfondimenti e riferimenti
Vantaggi delle Reti Neurali Convoluzionali
L'operatore convoluzionale
Applicare filtri convoluzionali con Python
Stride e Pooling
Lo strato convoluzionale
Creare una ConvNet con Keras
Strati di Pooling
Addestramento di una rete neurale convoluzionale
Utilizzare il Pooling con Keras
Approfondimenti e riferimenti
Leggi questo prima di proseguire
Vantaggi dei modelli sequenziali
Funzionamento delle Reti Neurali Ricorrenti
Limiti del Bag of Words
Il Word Embedding
Preparazione del dataset per il Word Embedding con Keras
Word Embedding e Vanilla RNN con Keras
Scomrparsa del Gradiente nelle Reti Ricorrenti
Long short-term memory networks
LSTM operazione per operazione
LSTM con Keras
Dropout in una rete ricorrente con Keras
Aggiungere strati ricorrenti multipli con Keras
Gated Recurrent Unit
GRU con Keras
Approfondimenti e riferimenti
Reti Convoluzionali per la Sentiment Analysis con Keras
L'architettura CNN-LSTM con Keras
Approfondimenti e riferimenti
I tuoi prossimi passi
Scegli la tua Strada !
Non sai (ancora) programmare ? Parti da qui
Eseguire codice Python
Input e output
Variabili e tipi di dati
Gestire le eccezioni
Formattazione
Liste e tuple
Set e frozenset
I dizionari
Il ciclo for
Ciclo while ed espressioni booleane
Istruzioni condizionali e operatori logici
Le funzioni
Classi e basi di programmazione ad oggetti
I moduli e la Standard Library
Ulteriori informazioni
Cosa include il prezzo totale del corso?
Comunicazione diretta col docente, accesso a vita, ampliamenti e aggiornamenti inclusi, rimborso entro 30 giorni.
Hai bisogno di un coach per la formazione?
Ti aiuterà a confrontare vari corsi e trovare l'offerta formativa più conveniente.
Deep Learning e Reti Neurali con Python: il Corso Pratico