Fondamenti di reti neurali e architetture avanzate (RNN, CNN, GAN).

Modulo 1: le reti neurali Cos'è una rete neurale? Storia e motivazione delle reti neurali Comportamento di un neurone artificiale (perceptron) Reti neurali artificiali (ANN): struttura e funzionalità Modulo 2: Componenti di una rete neurale Gli elementi base delle reti neurali Neuroni, pesi, bias, attivazione Funzioni di attivazione: Sigmoid, ReLU, Tanh, Softmax Struttura della rete: strati (input, nascosti, output) Modulo 3: Addestramento di una rete neurale Come si addestra una rete neurale? Propagazione in avanti (forward propagation) Calcolo dell'errore e retropropagazione (backpropagation) Funzione di costo e ottimizzazione: gradient descent Modulo 4: Overfitting e underfitting Problemi di overfitting e underfitting nelle reti neurali Cos'è l'overfitting e come evitarlo Cos'è l'underfitting e come migliorare la capacità del modello Tecniche di regolarizzazione: dropout, early stopping, L2 regularization Modulo 5: Architettura delle Reti Neurali Feedforward le reti neurali feedforward (FNN) Struttura di una rete neurale feedforward Funzionamento del modello per problemi di classificazione e regressione Esempi pratici di classificazione con una rete neurale Modulo 6: Recurrent Neural Networks (RNN) le RNN Cosa sono le RNN e come funzionano La struttura di una RNN e la propagazione dei dati nel tempo Applicazioni delle RNN in linguistica, sequenze temporali e serie storiche Modulo 7: Problemi e soluzioni nelle RNN Problemi comuni nelle RNN Vanishing gradient e exploding gradient Soluzioni per migliorare le RNN: LSTM (Long Short-Term Memory) e GRU (Gated Recurrent Units) Modulo 8: Long Short-Term Memory (LSTM) Cos'è l'LSTM e come funziona La struttura di un'unità LSTM Come risolve il problema del vanishing gradient nelle RNN Applicazioni di LSTM per traduzione automatica, analisi del sentiment, ecc. Modulo 9: Gated Recurrent Units (GRU) Cos'è il GRU e come funziona Differenze tra GRU e LSTM Vantaggi del GRU rispetto all'LSTM Esempi pratici di utilizzo di GRU per serie temporali e sequenze Modulo 10: Convolutional Neural Networks (CNN) le CNN Cos'è una rete neurale convoluzionale (CNN) e come funziona Struttura di una CNN: strati convoluzionali, pooling, fully connected Come una CNN analizza immagini e video Modulo 11: Strati convoluzionali e pooling Strati convoluzionali e pooling nelle CNN Filtri e kernel: come applicare la convoluzione Max pooling e average pooling: scopo e implementazione La funzione di attivazione nelle CNN: ReLU e altre Modulo 12: Reti neurali convoluzionali per la classificazione delle immagini Applicazioni delle CNN nella visione artificiale Reti CNN per il riconoscimento di immagini e oggetti Esempi pratici: classificazione delle immagini con CNN in Python (utilizzando TensorFlow o PyTorch) Architetture CNN popolari: LeNet, AlexNet, VGG, ResNet Modulo 13: Generative Adversarial Networks (GAN) le GAN Cos'è una GAN e come funziona Struttura di una GAN: generatore e discriminatore L'allenamento delle GAN e il concetto di gioco tra i due modelli Modulo 14: Applicazioni delle GAN Applicazioni delle GAN Creazione di immagini sintetiche e deepfakes Uso delle GAN in generazione di arte, miglioramento delle immagini (super resolution), e modelli di dati Problemi legati alla stabilità e qualità nell'addestramento delle GAN Modulo 15: Architetture avanzate e futuro delle reti neurali Evoluzione delle architetture neurali Architetture avanzate come le reti neurali profonde (DNN), Attention Mechanisms e Transformers Sfide e innovazioni nelle reti neurali: trasferimento di apprendimento, spiegabilità dei modelli Il futuro delle reti neurali: dalle GAN al deep reinforcement learning