Corso di Aggiornamento su Deep Learning

Modulo 1: Deep Learning Cos'è il deep learning e come si distingue dal machine learning tradizionale. Breve storia e evoluzione del deep learning. Applicazioni principali del deep learning nei vari settori. Modulo 2: Fondamenti di Reti Neurali Artificiali (ANN) Struttura di base di una rete neurale: neuroni, strati, e funzioni di attivazione. Architettura di base delle reti feedforward. Funzione di perdita e ottimizzazione: la discesa del gradiente. Modulo 3: Ottimizzazione delle Reti Neurali Algoritmi di ottimizzazione nel deep learning (SGD, Adam, RMSprop). Tuning degli iperparametri: learning rate, batch size, ecc. Tecniche per evitare il sovraccarico: Dropout, Early Stopping. Modulo 4: Reti Convoluzionali (CNN) le CNN e loro applicazioni principali. Struttura delle reti convoluzionali: filtri, mappe di attivazione e pooling. Applicazioni delle CNN in visione artificiale. Modulo 5: Reti Recurrenti (RNN) e LSTM Struttura delle Reti Neurali Ricorrenti (RNN). Introduzione agli LSTM (Long Short-Term Memory) per il trattamento delle sequenze. Applicazioni in NLP (Natural Language Processing) e Time Series. Modulo 6: Generative Adversarial Networks (GAN) le GAN e al loro funzionamento. Struttura di una GAN: Generatore e Discriminatore. Applicazioni delle GAN: creazione di immagini, miglioramento della qualità dell'immagine, ecc. Modulo 7: Autoencoder e Apprendimento Non Supervisionato Cos'è un autoencoder e come funziona. Reti autoencoder per la riduzione della dimensione e la compressione. Applicazioni dell'apprendimento non supervisionato con autoencoder. Modulo 8: Tecniche di Transfer Learning Cos'è il transfer learning e perché è utile. Come sfruttare modelli pre-addestrati. Applicazioni del transfer learning in vari domini, come visione artificiale e NLP. Modulo 9: Reti Neurali Profonde (DNN) Struttura e architettura di una rete neurale profonda. Caratteristiche e vantaggi delle reti neurali profonde. Come affrontare il problema della vanishing gradient e delle reti molto profonde. Modulo 10: Deep Reinforcement Learning (DRL) deep reinforcement learning. Architetture principali: Deep Q-Network (DQN), Policy Gradient, Actor-Critic. Applicazioni in robotica, giochi e navigazione autonoma. Modulo 11: Sistemi di Deep Learning in Tempo Reale Sfide e soluzioni per l'implementazione in tempo reale. Ottimizzazione delle performance nei sistemi embedded. Applicazioni nei veicoli autonomi, nella visione in tempo reale e nei dispositivi mobili. Modulo 12: Interpretabilità e Trasparenza nei Modelli di Deep Learning Perché è importante l'interpretabilità dei modelli di deep learning. Tecniche di interpretabilità: LIME, SHAP, saliency maps. Affrontare le problematiche etiche e di fiducia nei modelli di deep learning. Modulo 13: Deep Learning per il Natural Language Processing (NLP) Tecniche deep learning applicate a NLP. Reti neurali per la traduzione automatica, sentiment analysis, e generazione del linguaggio. Architetture avanzate: Transformer, BERT, GPT. Modulo 14: Deep Learning per la Visione Artificiale Applicazioni recenti del deep learning in visione artificiale. Reti neurali per il riconoscimento di oggetti, segmentazione e rilevamento. Tecniche avanzate: YOLO (You Only Look Once), Mask R-CNN. Modulo 15: Tendenze Future nel Deep Learning Evoluzione delle tecniche di deep learning. Integrazione del deep learning con altre tecnologie emergenti (AI, IoT, Big Data). Sfide future: efficienza computazionale, etica, bias nei modelli.