Corso Online: Deep Learning e Reti Neurali
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
-
Livello
Livello base
-
Metodologia
Online
-
Ore di lezione
13h
-
Durata
Flessible
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, ovvero l’insieme di metodi utilizzati per addestrare le Reti Neurali Artificiali, un particolare modello del Machine Learning che hanno rivoluzionato l’intero settore.
Le 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, i sistemi intelligenti come IBM Watson che ogni giorno aiutano medici a fare diagnosi migliori salvando vite umane.
Informazioni importanti
Prezzo per gli utenti Emagister: Prezzo con promozione 29,90 euro
Profilo del corso
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.
Il corso è rivolto a tutti coloro i quali hanno curiosità sul tema o vogliono approfondire meglio questo argomento con spunti e strategie pratiche.
A termine del corso sarà possibile scaricare un certificato di frequenza personalizzato.
Da oltre 10 anni IGEA è attiva con ottimi risultati nella formazione. I corsi di formazione di IGEA si caratterizzano per l'alta qualità dei contenuti e della formazione, risultato di una attento processo di selezione dei docenti e di cura nella realizzazione dei contenuti. I corsi online di IGEA sono disponibili per sempre e l'allievo può seguire le lezioni per innumerevoli volte, anche a distanza di tempo. La formazione di IGEA, anche online, è mirata al SAPER FARE, con l'obiettivo finale di accrescere le competenze degli allievi, spendibili subito professionalmente.
Subito dopo aver ricevuto la tua richiesta la segreteria di IGEA ti contatterà per rispondere a tutte le tue domande e guidarti nella procedura di iscrizione e di pagamento.
Opinioni
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
14 anni del centro in Emagister.
Materie
- Programmazione
- Machine Learning
- Reti neurali
- Deep Learning
- Intelligenza artificiale
Professori
IGEA Centro Promozione Salute
Formazione
Programma
Cap.01 Introduzione
- Lezione 1.1 Dal Machine Learning al Deep Learning | 07:26 minuti
- Lezione 1.2 Alcune applicazioni delle Reti Neurali Artificiali | 04:20 minuti
- Lezione 1.3 Linguaggi e Librerie per il Deep Learning | 10:42 minuti
Cap.02 Il Dataset
- Lezione 2.1 Dataset strutturati | 04:13 minuti
- Lezione 2.2 Dataset non strutturati | 09:17 minuti
- Lezione 2.3 Analisi di un dataset con Pandas | 22:30 minuti
- Lezione 2.4 Tipi di Dati | 04:37 minuti
- Lezione 2.5 Label e One-Hot Encoding | 09:04 minuti
- Lezione 2.6 Gestire Dati Mancanti | 05:23 minuti
- Lezione 2.7 Portare il Dataset sulla stessa scala | 04:17 minuti
- Lezione 2.8 Normalizzazione e Standardizzazione di un Dataset con Pandas | 08:22 minuti
- Lezione 2.9 Splitting del Dataset | 02:23 minuti
- Lezione 2.10 TrainTest split con scikit-learn | 05:36 minuti
Cap.03 Machine Learning in Breve
- Lezione 3.1 La Regressione Lineare | 06:34 minuti
- Lezione 3.2 La Funzione di Costo | 03:41 minuti
- Lezione 3.3 Gli Algoritmi di Ottimizzazione | 07:14 minuti
- Lezione 3.4 Introduzione al Boston Housing Dataset | 05:36 minuti
- Lezione 3.5 Regressione Lineare Semplice con Keras | 06:11 minuti
- Lezione 3.6 Visualizzazione del Modello con Matplotlib | 03:23 minuti
- Lezione 3.7 La Regressione Lineare Multipla | 02:30 minuti
- Lezione 3.8 Regressione Lineare Multipla con Keras | 07:55 minuti
- Lezione 3.9 La Regressione Logistica | 11:53 minuti
- Lezione 3.10 Introduzione al Winsconsis Breast Cancer Dataset | 06:15 minuti
- Lezione 3.11 Regressione Logistica con Keras | 05:02 minuti
- Lezione 3.12 Regressione Logistica Multipla con Keras | 05:35 minuti
Cap.04 Basi di Reti Neurali Artificiali
- Lezione 4.1 L'Approccio Biologico | 05:16 minuti
- Lezione 4.2 Funzionamento di una Rete Neurale Artificiale | 08:47 minuti
- Lezione 4.3 Struttura di una Rete Neurale | 03:10 minuti
- Lezione 4.4 Rete Neurale Artificiale con Keras | 08:40 minuti
- Lezione 4.5 Rete Neurale Artificiale Profonda con Keras | 06:05 minuti
- Lezione 4.6 Le Funzioni di Attivazione | 07:05 minuti
- Lezione 4.7 Usare Diveserse Funzioni di Attivazione con Keras | 03:36 minuti
- Lezione 4.8 Usare la Matrice di Confusione | 03:41 minuti
- Lezione 4.9 La Funzione di Attivazione Softmax per Classificazioni Multiclasse | 05:29 minuti
- Lezione 4.10 Il Dataset MNIST | 05:24 minuti
- Lezione 4.11 Preprocessing del MNIST | 03:36 minuti
- Lezione 4.12 Rete Neuale per Classificazioni Multiclasse | 04:50 minuti
- Lezione 4.13 Visualizzare gli Errori della Rete Neurale con Matplotlib | 03:13 minuti
Cap.05 Addestramento e metodi di ottimizzazione
- Lezione 5.1 Derivate e Gradienti | 06:46 minuti
- Lezione 5.2 Il Gradient Descent | 07:38 minuti
- Lezione 5.3 Full Batch, Mini Batch e Stochastic Gradient Descent | 10:34 minuti
- Lezione 5.4 Il Dataset Fashion-MNIST | 07:09 minuti
- Lezione 5.5 Full Batch Gradient Descent con Keras | 07:57 minuti
- Lezione 5.6 Stochastic Gradient Descent con Keras | 02:28 minuti
- Lezione 5.7 Mini Batch Gradient Descent con Keras | 01:52 minuti
- Lezione 5.8 La Backpropagation | 11:47 minuti
- Lezione 5.9 Scomparsa ed Esplosione del Gradiente | 08:47 minuti
- Lezione 5.10 Inizializzazione dei Parametri intelligente con Keras | 04:57 minuti
- Lezione 5.11 Sfruttare il Momentum | 08:19 minuti
- Lezione 5.12 Implementare il Momentum con Keras | 04:19 minuti
- Lezione 5.13 Algoritmi con Learning Rate Adattivo | 08:22 minuti
- Lezione 5.14 Learning Rate Adattivo con Keras | 02:05 minuti
- Lezione 5.15 Utilizzare l'ADAM con Keras | 02:52 minuti
- Lezione 5.16 Il Problema dell'Overfitting | 02:43 minuti
Cap.06 Overfitting e Tecniche di Regolarizzazione
- Lezione 6.1 Bilanciamento di Bias e Varianza | 04:18 minuti
- Lezione 6.2 Cause e Rimedi dell'Overfitting in una Rete Neurale | 03:07 minuti
- Lezione 6.3 La Regolarizzazione L1 e L2 | 04:04 minuti
- Lezione 6.4 Regolarizzazione L1 e L2 con Keras | 08:30 minuti
- Lezione 6.5 Usiamo la Rete per Riconoscere Capi di Abbigliamento | 09:47 minuti
- Lezione 6.6 Il Dropout | 04:47 minuti
- Lezione 6.7 Introduzione all'IMDB Review Dataset | 07:07 minuti
- Lezione 6.8 Preparare i Dati | 04:06 minuti
- Lezione 6.9 Creiamo la Rete Neurale | 03:41 minuti
- Lezione 6.10 Usiamo il Dropout per Combattere l'Overfitting con Keras | 03:52 minuti
- Lezione 6.11 Usiamo la Rete per Classificare Recensioni di Film | 08:09 minuti
- Lezione 6.12 Validare una Rete Neurale | 08:29 minuti
Cap.07 Addestramento in Cloud e su GPUs
- Lezione 7.1 I Vantaggi della GPU | 05:36 minuti
- Lezione 7.2 Addestramento in Cloud | 05:39 minuti
- Lezione 7.3 Testiamo la Rete di Benchmark sul nostro PC | 06:13 minuti
- Lezione 7.4 Guida a Google Colaboratory | 07:29 minuti
- Lezione 7.5 Introduzione ad AWS EC2 | 08:54 minuti
- Lezione 7.6 Creiamo una Macchina Remota per Jupyter | 03:50 minuti
- Lezione 7.7 Testiamo la Rete di Benchmark su EC2 | 02:27 minuti
- Lezione 7.8 Connettere un Kernel Remoto ad ATOM | 05:02 minuti
Cap.08 Reti Neurali Convoluzionali e Computer Vision
- Lezione 8.1 Vantaggi delle Reti Neurali Convoluzionali | 07:05 minuti
- Lezione 8.2 L'Operatore Convoluzionale | 07:55 minuti
- Lezione 8.3 Applicare Filtri Convoluzionali con Python | 09:54 minuti
- Lezione 8.4 Stride e Padding | 04:39 minuti
- Lezione 8.5 Lo Strato Convoluzionale | 05:21 minuti
- Lezione 8.6 Creare una ConvNet con Keras | 09:36 minuti
- Lezione 8.7 Strati di Pooling | 06:41 minuti
- Lezione 8.8 Addestramento di una Rete Convoluzionale | 04:31 minuti
- Lezione 8.9 Utilizzare il Pooling con Keras | 10:44 minuti
Cap.09 Reti Neurali Ricorrenti e NLP
- Lezione 9.1 Vantaggi dei Modelli Sequenziali | 05:04 minuti
- Lezione 9.2 Funzionamento delle Reti Neurali Ricorrenti | 12:57 minuti
- Lezione 9.3 Limiti del Bag of Words | 04:32 minuti
- Lezione 9.4 Il Word Embedding | 11:36 minuti
- Lezione 9.5 Preparazione del Dataset per il Word Embedding | 07:55 minuti
- Lezione 9.6 Word Embedding e Vanilla RNN con Keras | 06:32 minuti
- Lezione 9.7 Scomparsa del Gradiente nelle Reti Ricorrenti | 05:25 minuti
- Lezione 9.8 Long Short-Term Memory Networks | 06:34 minuti
- Lezione 9.9 LSTM Operazione per Operazione | 06:43 minuti
- Lezione 9.10 LSTM con Keras | 03:55 minuti
- Lezione 9.11 Dropout di una Rete Ricorrente con Keras | 03:13 minuti
- Lezione 9.12 Aggiungere Strati Ricorrenti Multipli con Keras | 05:20 minuti
- Lezione 9.13 Graded Recurrent Unit | 03:54 minuti
- Lezione 9.14 GRU con Keras | 03:15 minuti
Cap.10 Architetture di Reti Neurali Miste
- Lezione 10.1 Reti Convoluzionali per la Sentiment Analysis | 07:57 minuti
- Lezione 10.2 L'Architettura CNN-LSTM con Keras | 03:50 minuti
Cap.11 Conclusione
- Lezione 11.1 I Tuoi Prossimi Passi | 05:46 minuti
Hai bisogno di un coach per la formazione?
Ti aiuterà a confrontare vari corsi e trovare l'offerta formativa più conveniente.
Corso Online: Deep Learning e Reti Neurali