Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
Giorno 1:
Di base Machine Learning
Modulo-1
Introduzione:
- Esercizio – Installazione delle librerie Python e NN
- Perché il machine learning?
- Breve storia dell'apprendimento automatico
- L'ascesa del deep learning
- Concetti di base dell'apprendimento automatico
- Visualizzazione di un problema di classificazione
- Limiti e regioni decisionali
- IPython Notebook
Modulo-2
- Esercizio – Regioni decisionali
- Il neurone artificiale
- La rete neurale, la propagazione in avanti e i livelli di rete
- Funzioni di attivazione
- Esercizio – Funzioni di attivazione
- Backpropagation dell'errore
- Sottomontaggio e overfitting
- Interpolazione e levigatura
- Estrapolazione e astrazione dei dati
- Generalizzazione nell'apprendimento automatico
Modulo-3
- Esercizio – Underfitting e Overfitting
- Set di formazione, test e convalida
- Distorsione dei dati e problema dell'esempio negativo
- Compromesso bias/varianza
- Esercizio – Set di dati e distorsioni
Modulo-4
- Panoramica dei parametri e degli iperparametri NN
- Problemi di regressione logistica
- Funzioni di costo
- Esempio – Regressione
- Apprendimento automatico classico e deep learning
- Conclusione
Giorno-2 : Convoluzionale Neural Networks (CNN)
Modulo-5
- Introduzione alla CNN
- Cosa sono le CNN?
- Computer Visione
- Le CNN nella vita di tutti i giorni
- Immagini – pixel, quantizzazione del colore e dello spazio, RGB
- Equazioni di convoluzione e significato fisico, continuo vs. discreto
- Esercizio – Convoluzione 1D
Modulo-6
- Basi teoriche per il filtraggio
- Segnale come somma di sinusoidi
- Spettro di frequenza
- Filtri passa-banda
- Esercizio – Filtraggio della frequenza
- Filtri convoluzionali 2D
- Imbottitura e lunghezza del passo
- Filtra come passa banda
- Filtra come corrispondenza del modello
- Esercizio – Rilevamento dei bordi
- Filtri Gabor per analisi di frequenza localizzate
- Esercizio – Filtri Gabor come mappe di livello 1
Modulo-7
- Architettura della CNN
- Strati convoluzionali
- Massimo livelli di pooling
- Livelli di downsampling
- Astrazione ricorsiva dei dati
- Esempio di astrazione ricorsiva
Modulo-8
- Esercizio – Utilizzo base della CNN
- Il set di dati ImageNet e il modello VGG-16
- Visualizzazione di mappe delle caratteristiche
- Visualizzazione dei significati delle feature
- Esercizio – Mappe delle caratteristiche e significati delle caratteristiche
Giorno 3 : Modello di sequenza
Modulo-9
- Cosa sono i modelli di sequenza?
- Perché sequenziare i modelli?
- Caso d'uso della modellazione linguistica
- Sequenze nel tempo vs. sequenze nello spazio
Modulo-10
- RNN
- Architettura ricorrente
- Retropropagazione nel tempo
- Gradienti evanescenti
- GRU
- LSTM
- RNN profondo
- RNN bidirezionale
- Esercizio – RNN unidirezionale e bidirezionale
- Sequenze di campionamento
- Previsione dell'output della sequenza
- Esercizio – Previsione dell'output della sequenza
- RNN su semplici segnali variabili nel tempo
- Esercizio – Rilevamento di forme d'onda di base
Modulo-11
- Elaborazione del linguaggio naturale (NLP)
- Word Incorporamenti
- Word vettori: word2vec
- Word vettori: GloVe
- Trasferimento di conoscenze e incorporamento di parole
- Analisi del sentiment
- Esercizio – Analisi del sentiment
Modulo-12
- Quantificare e rimuovere le distorsioni
- Esercizio – Rimuovere i pregiudizi
- Dati audio
- Ricerca fasci
- Modello di attenzione
- Riconoscimento vocale
- Rilevamento delle parole trigger
- Esercizio – Speech Recognition
Requisiti
Non ci sono requisiti specifici necessari per frequentare questo corso.
21 ore