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
Il corso è suddiviso in tre giorni separati, il terzo dei quali facoltativo.
Giorno 1 - Machine Learning e Deep Learning: Concetti teorici
1. Introduzione IA, Machine Learning e Deep Learning
- Storia, concetti fondamentali e applicazioni usuali dell'intelligenza artificiale lontani dalle fantasie portate da questo campo
- Intelligenza collettiva: aggregazione di conoscenze condivise da molti agenti virtuali
- Algoritmi genetici: evoluzione di una popolazione di agenti virtuali per selezione
- Machine Learning Usuale: definizione.
- Tipi di compiti: apprendimento supervisionato, apprendimento non supervisionato, apprendimento per rinforzo
- Tipi di azioni: classificazione, regressione, clustering, stima della densità, riduzione della dimensionalità
- Esempi di algoritmi Machine Learning: regressione lineare, Naive Bayes, Random Tree
- Machine learning VS Deep Learning: problemi su cui il Machine Learning rimane oggi lo stato dell'arte (Random Forests & XGBoosts)
2. Concetti fondamentali di una rete neurale (Applicazione: percettrone multistrato)
- Richiami alle basi della matematica.
- Definizione di rete neurale: architettura classica, funzioni di attivazione e ponderazione di attivazioni precedenti, profondità di una rete
- Definizione di addestramento di reti neurali: funzioni di costo, retropropagazione, discesa stocastica del gradiente, massima verosimiglianza.
- Modellazione di una rete neurale: modellazione dei dati di input e output in base al tipo di problema (regressione, classificazione, ecc.). Maledizione della dimensionalità. Distinzione tra dati multi-feature e segnale. Scelta di una funzione di costo in base ai dati.
- Approssimazione di una funzione mediante una rete neurale: presentazione ed esempi
- Approssimazione di una distribuzione da parte di una rete neurale: presentazione ed esempi
- Data Augmentation: come bilanciare un dataset
- Generalizzazione dei risultati di una rete neurale.
- Inizializzazioni e regolarizzazioni di una rete neurale: regolarizzazione L1/L2, normalizzazione batch, ecc.
- Ottimizzazioni e algoritmi di convergenza.
3. Soliti strumenti ML/DL
È prevista una semplice presentazione con vantaggi, svantaggi, posizione nell'ecosistema e utilizzo.
- Strumenti di gestione dei dati: Apache Spark, Apache Hadoop
- Strumenti comuni Machine Learning: Numpy, Scipy, Sci-kit
- Framework DL di alto livello: PyTorch, Keras, Lasagna
- Framework DL di basso livello: Theano, Torch, Caffe, Tensorflow
Giorno 2 - Reti convoluzionali e ricorrenti
4. Convoluzionale Neural Networks (CNN).
- Presentazione delle CNN: principi fondamentali e applicazioni
- Funzionamento fondamentale di una CNN: livello convoluzionale, uso di un kernel, padding & stride, generazione di mappe di funzionalità, livelli di pooling. Estensioni 1D, 2D e 3D.
- Presentazione delle diverse architetture CNN che hanno portato lo stato dell'arte nella classificazione delle immagini: LeNet, VGG Networks, Network in Network, Inception, Resnet. Presentazione delle innovazioni apportate da ciascuna architettura e delle loro applicazioni più globali (convoluzione 1x1 o connessioni residue)
- Utilizzo di un modello di attenzione.
- Applicazione a uno scenario di classificazione comune (testo o immagine)
- CNN per la generazione: super-risoluzione, segmentazione pixel-to-pixel. Una panoramica delle principali strategie per aumentare le mappe delle caratteristiche per la generazione di immagini.
5. Ricorrente Neural Networks (RNN).
- Presentazione delle RNN: principi fondamentali e applicazioni.
- Come funziona la RNN: attivazione nascosta, retropropagazione nel tempo, versione spiegata.
- Evoluzione verso GRU (Gated Recurrent Units) e LSTM (Long Short Term Memory). Presentazione dei diversi stati e delle evoluzioni portate da queste architetture
- Problemi di convergenza e gradient vanising
- Tipi di architetture classiche: previsione di una serie temporale, classificazione, ecc.
- Architettura RNN Encoder Decoder. Uso di un modello di attenzione.
- Applicazioni di PNL: codifica di parole/caratteri, traduzione.
- App video: prevedi il prossimo fotogramma generato di una sequenza video.
Giorno 3 - Modelli generazionali e Reinforcement Learning
6. Modelli generazionali: Variational AutoEncoder (VAE) e Generative Adversarial Networks (GAN).
- Presentazione dei modelli generazionali, collegamento con le CNN viste nel giorno 2
- Auto-encoder: riduzione della dimensionalità e generazione limitata
- Auto-encoder variazionale: modello generazionale e approssimazione della distribuzione di un dato. Definizione e uso dello spazio latente. Trucco di riparametrizzazione. Applicazioni e limitazioni osservate
- Reti generative antagoniste: fondamenti. Architettura a due reticoli (generatore e discriminatore) con apprendimento alternato, funzioni di costo disponibili.
- Convergenza di un GAN e difficoltà incontrate.
- Convergenza migliorata: Wasserstein GAN, BeGAN. Distanza di movimento della terra.
- Applicazioni per la generazione di immagini o foto, la generazione di testo,
risoluzione.
7. Profondo Reinforcement Learning.
- Panoramica dell'apprendimento per rinforzo: controllo di un agente in un ambiente definito dallo stato e possibili azioni
- Utilizzo di una rete neurale per approssimare la funzione di stato
- Deep Q Learning: replay dell'esperienza, applicazione al controllo di un videogioco.
- Ottimizzazioni della politica di apprendimento. Politica in linea e fuori politica. Attore critico architettura. A3C.
- Applicazioni: controllo di un semplice videogioco o di un sistema digitale.
Requisiti
Level ingénieur
21 ore
