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
- Cos'è il deep learning e in cosa differisce dal machine learning tradizionale
- Applicazioni pratiche nella visione computerizzata, NLP e altri ambiti
- Panoramica dell'ecosistema del deep learning: TensorFlow 2.x, Keras, PyTorch
- Configurazione di un ambiente di sviluppo accelerato da GPU
Le Meccaniche del Deep Learning
- Neuroni artificiali, funzioni di attivazione e strati di rete
- Propagazione forward e calcolo delle previsioni
- Funzioni di perdita per attività di classificazione e regressione
- Ottimizzazione tramite discesa del gradiente e backpropagation
- Addestramento della prima rete neurale sul dataset MNIST
Reti Neurali Convoluzionali per la Visione Computerizzata
- Comprensione di convoluzione, filtri e mappe delle caratteristiche
- Strati di pooling e riduzione della dimensionalità
- Architetture CNN: concetti di LeNet, VGG e ResNet
- Costruzione e addestramento di una CNN per la classificazione delle immagini
- Visualizzazione delle caratteristiche apprese e delle attivazioni intermedie
Aumentazione dei Dati e Miglioramento dell'Accuracy del Modello
- Perché l'aumentazione dei dati contrasta l'overfitting e migliora la generalizzazione
- Trasformazioni delle immagini: rotazione, ribaltamento, zoom e ritaglio
- Implementazione di pipeline di augmentazione con gli strati di pre-elaborazione di Keras
- Dropout, normalizzazione batch e altre tecniche di regolarizzazione
- Monitoraggio dell'addestramento con metriche di validazione e early stopping
Apprendimento per Trasferimento con Modelli Pre-addestrati
- Comprensione dell'apprendimento per trasferimento e del perché funziona
- Caricamento di modelli pre-addestrati da Keras Applications (ResNet, EfficientNet, MobileNet)
- Estrazione delle caratteristiche: congelamento degli strati base e addestramento di nuovi classifier
- Fine-tuning: scongselezione selettiva degli strati per l'adattamento al dominio
- Obtenimento di alta accuratezza con dati di addestramento limitati
Reti Ricorrenti e Modellazione di Sequenze
- Introduzione ai dati sequenziali e alle dipendenze temporali
- Reti neurali ricorrenti (RNN) e il problema del gradiente che svanisce
- Celle LSTM e GRU per le dipendenze a lungo raggio
- Addestramento di un modello di generazione di testo a livello di carattere
- Word embeddings e lo strato Embedding in Keras
Fondamenti dell'Elaborazione del Linguaggio Naturale
- Pre-elaborazione del testo: tokenizzazione, padding e costruzione del vocabolario
- Costruzione di un classificatore di testo con RNN e LSTM
- Concetti sui modelli sequence-to-sequence per la traduzione automatica
- Meccanismi di attenzione e il loro ruolo nell'NLP moderno
- NLP pratico con le API di elaborazione del testo di TensorFlow 2.x
Progetto Finale: Image Captioning
- Combinazione di visione computerizzata e NLP in un'architettura multimodale
- Estrazione delle caratteristiche dell'immagine con un codificatore CNN pre-addestrato
- Costruzione di un decodificatore basato su LSTM per la generazione di didascalie
- Gestione di più strati di input nell'API funzionale di Keras
- Addestramento e valutazione della pipeline di captioning end-to-end
Prossimi Passi e Risorse
- Distribuzione dei modelli addestrati con TensorFlow Serving
- Esplorazione delle architetture transformer e dei grandi modelli linguistici (LLM)
- Workshop avanzati NVIDIA DLI e percorsi di certificazione
- Risorse della community, dataset e idee per progetti
Requisiti
- Dimestichezza base nella programmazione Python (funzioni, cicli, dizionari, array)
- Conoscenza dei concetti di programmazione come variabili, condizioni e strutture dati
- Nessuna esperienza pregressa nel deep learning o nel machine learning è richiesta
Destinatari
- Sviluppatori e ingegneri software che si stanno avvicinando all'intelligenza artificiale e al machine learning
- Analisti di dati e data scientist che vogliono acquisire competenze nel deep learning
- Professionisti tecnici che desiderano comprendere e applicare modelli di reti neurali
- Studenti e ricercatori che iniziano il loro percorso nel 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
