Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione al Deep Learning
- Cosa si intende per deep learning e quali sono le differenze rispetto all'apprendimento automatico tradizionale
- Esempi pratici di applicazione nella visione artificiale, nell'NLP e in altri ambiti
- Panoramica sull'ecosistema del deep learning: TensorFlow 2.x, Keras, PyTorch
- Configurazione di un ambiente di sviluppo con accelerazione GPU
I meccanismi del Deep Learning
- Neuroni artificiali, funzioni di attivazione e strati della rete neurale
- Propagazione in avanti ed elaborazione delle previsioni
- Funzioni di perdita per compiti di classificazione e regressione
- Ottimizzazione mediante discesa del gradiente e retropropagazione
- Addestramento della prima rete neurale utilizzando il dataset MNIST
Reti Neurali Convoluzionali per la Visione Artificiale
- Principi di convoluzione, filtri e mappe delle caratteristiche
- Strati di pooling e riduzione della dimensionalità
- Architetture CNN: concetti chiave su LeNet, VGG e ResNet
- Sviluppo ed addestramento di una CNN per la classificazione delle immagini
- Visualizzazione delle caratteristiche apprese e delle attivazioni intermedie
Aumento dei dati e miglioramento dell'accuratezza del modello
- Ragioni per cui l'aumento dei dati previene il sovradattamento e incrementa la generalizzazione
- Trasformazioni delle immagini: rotazione, ribaltamento, zoom e ritaglio
- Realizzazione di pipeline di aumento dati con i layer di preprocessamento offerti da Keras
- Tecniche di regolarizzazione: dropout e normalizzazione batch
- Monitoraggio dell'addestramento tramite metriche di validazione ed early stopping
Transfer Learning con modelli pre-addestrati
- Principi del transfer learning e motivazioni alla sua efficacia
- Utilizzo di modelli pre-addestrati disponibili in Keras Applications (ResNet, EfficientNet, MobileNet)
- Estrazione delle caratteristiche: congelamento dei livelli base e addestramento di nuovi classificatori
- Rettifica mirata: scongelamento selettivo degli strati per adattarli al contesto specifico
- Risultati ad alta precisione anche in presenza di un volume limitato di dati di addestramento
Reti Ricorrenti e Modellazione delle Sequenze
- Introduzione alle sequenze temporali e alle loro interdipendenze cronologiche
- Reti neurali ricorrenti (RNN) e problema della scomparsa del gradiente
- Celle LSTM e GRU per la gestione di relazioni a lungo termine
- Sviluppo di un modello di generazione testuale basato sui singoli caratteri
- Embedding delle parole e funzionamento dell'layer Embedding in Keras
Fondamenti nell'Elaborazione del Linguaggio Naturale
- Preprocessamento testuale: tokenizzazione, padding e creazione di un vocabolario
- Sviluppo di un classificatore testuale sfruttando RNN e LSTM
- Introduzione ai modelli sequenza-a-sequenza per i concetti fondamentali della traduzione automatica
- Il ruolo dei meccanismi di attenzione nell'elaborazione moderna del linguaggio naturale
- Esercitazioni pratiche sull'NLP mediante le API per l'elaborazione testuale offerte da TensorFlow 2.x
Progetto finale: Descrizione automatica delle immagini
- Integrazione della visione artificiale e dell'NLP in un'architettura multimodale
- Estrazione delle caratteristiche visive grazie a un encoder CNN pre-addestrato
- Sviluppo di un decoder basato su LSTM per generare descrizioni testuali corrispondenti
- Gestione di più livelli di input attraverso l'API funzionale di Keras
- Addestramento ed analisi dei risultati del sistema completo di descrizione automatica delle immagini
Passi successivi e risorse utili
- Distribuzione dei modelli addestrati mediante TensorFlow Serving
- Approfondimento su architetture basate sui transformer e grandi modelli linguistici
- Workshop avanzati e percorsi di certificazione forniti da NVIDIA DLI
- Risorse comunitarie, dataset disponibili e idee per nuovi progetti
Requisiti
- Conoscenze di base nella programmazione Python (funzioni, cicli, dizionari, array)
- Familiarità con i concetti fondamentali della programmazione: variabili, condizioni e strutture dati
- Non è richiesta alcuna precedente esperienza nel deep learning o nell'apprendimento automatico
Destinatari del corso
- Sviluppatori software ed ingegneri che intendono specializzarsi in intelligenza artificiale e machine learning
- Analisti dati e data scientist desiderosi di acquisire competenze avanzate nel deep learning
- Professionisti tecnici interessati a comprendere e impiegare modelli basati su reti neurali
- Studenti e ricercatori alle prime armi nel campo del deep learning
8 ore
Recensioni (2)
Il corso di formazione era organizzato e ben pianificato, ed è stato un'occasione per acquisire conoscenze sistematiche e una panoramica approfondita dei temi trattati.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Corso - Deep Learning with TensorFlow 2
Traduzione automatica
Mi è davvero piaciuta la parte finale in cui abbiamo avuto il tempo di esplorare CHAT GPT. La sala non era impostata nel modo migliore per questo - sarebbe stato utile avere alcune piccole tavole invece di una grande, così da poter formare gruppi più piccoli e fare brainstorming.
Nola - Laramie County Community College
Corso - Artificial Intelligence (AI) Overview
Traduzione automatica
