Struttura del corso
GIORNO 1 - RETI NEURALI ARTIFICIALI
Introduzione e Struttura delle Reti Neurali Artificiali
- Neuroni biologici e neuroni artificiali.
- Modello di una Rete Neurale Artificiale (ANN).
- Funzioni di attivazione utilizzate nelle ANN.
- Tipiche classi di architetture di rete.
Fondamenti Matematici e Meccanismi di Apprendimento
- Ripasso di algebra vettoriale e matriciale.
- Concetti di spazio degli stati.
- Concetti di ottimizzazione.
- Apprendimento con correzione dell'errore.
- Apprendimento basato sulla memoria.
- Apprendimento Hebbiano.
- Apprendimento competitivo.
Perceptroni a strato singolo
- Struttura e apprendimento dei perceptroni.
- Classificatore di pattern - Introduzione e classificatori di Bayes.
- Il perceptrone come classificatore di pattern.
- Convergenza del perceptrone.
- Limiti dei perceptroni.
Reti Neurali Artificiali Feedforward
- Strutture delle reti feedforward a strati multipli.
- Algoritmo di backpropagation.
- Backpropagation - Addestramento e convergenza.
- Approssimazione funzionale con backpropagation.
- Aspetti pratici e progettuali dell'apprendimento tramite backpropagation.
Reti a Funzione Radiale (RBF)
- Separabilità dei pattern e interpolazione.
- Teoria della regolarizzazione.
- Regolarizzazione e reti RBF.
- Progettazione e addestramento delle reti RBF.
- Proprietà di approssimazione delle RBF.
Apprendimento Competitivo e Reti Neurali Auto-organizzanti
- Procedure generali di clustering.
- Quantizzazione Vettoriale (LVQ).
- Algoritmi e architetture di apprendimento competitivo.
- Mappe di caratteristiche auto-organizzanti.
- Proprietà delle mappe di caratteristiche.
Reti Neurali Fuzzy
- Sistemi Neuro-Fuzzy.
- Fondamenti di insiemi fuzzy e logica fuzzy.
- Progettazione di sistemi fuzzy.
- Progettazione di Reti Neurali Artificiali Fuzzy.
Applicazioni
- Verranno discussi alcuni esempi di applicazioni delle Reti Neurali, i loro vantaggi e le problematiche associate.
GIORNO 2 - MACHINE LEARNING
- Il framework di apprendimento PAC
- Garanzie per insiemi di ipotesi finiti – Caso consistente
- Garanzie per insiemi di ipotesi finiti – Caso incoerente
- Generalità
- Scenario deterministico vs. stocastico
- Rumore di errore di Bayes
- Errori di stima e di approssimazione
- Selezione del modello
- Complessità Rademacher e Dimensione VC
- Compromesso tra bias e varianza
- Regolarizzazione
- Sovraffidamento (Over-fitting)
- Validazione
- Machine a Vettori di Supporto (SVM)
- Kriging (Regressione a Processo Gaussiano)
- PCA e Kernel PCA
- Mappe di Auto-Organizzazione (SOM)
- Spazio vettoriale indotto da kernel
- Kernel di Mercer e metriche di similarità indotte da kernel
- Apprendimento per Rinforzo
GIORNO 3 - DEEP LEARNING
Questa sezione sarà insegnata in relazione agli argomenti trattati nel Giorno 1 e nel Giorno 2
- Regressione Logistica e Softmax
- Autoencoder sparsi
- Vettorizzazione, PCA e Whitening
- Apprendimento Auto-Didatta (Self-Taught Learning)
- Reti Profonde
- Decoder Lineari
- Convoluzione e Pooling
- Codifica Sparsa (Sparse Coding)
- Analisi dei Componenti Indipendenti
- Analisi della Correlazione Canonica
- Demo e Applicazioni
Requisiti
Solida comprensione della matematica.
Solida comprensione delle statistiche di base.
Le competenze di base nella programmazione non sono obbligatorie, ma sono consigliate.
Recensioni (2)
Lavorare partendo dai principi fondamentali in modo concentrato, e passare all'applicazione di casi pratici nello stesso giorno
Maggie Webb - Department of Jobs, Regions, and Precincts
Corso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduzione automatica
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Corso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduzione automatica
