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
- Panoramica delle reti neurali e del deep learning
- Il concetto di Machine Learning (ML)
- Perché abbiamo bisogno di reti neurali e deep learning?
- Selezione delle reti per problemi e tipologie di dati diversi
- Apprendimento e validazione delle reti neurali
- Confronto tra regressione logistica e rete neurale
- Rete neurale
- Ispirazione biologica alla rete neurale
- Reti neurali – Neurone, Perceptron e MLP (modello Multilayer Perceptron)
- Apprendimento di MLP – algoritmo backpropagation
- Funzioni di attivazione – lineare, sigmoide, Tanh, Softmax
- Funzioni di perdita appropriate alla previsione e classificazione
- Parametri – tasso di apprendimento, regolarizzazione, inerzia
- Costruzione di reti neurali in Python
- Valutazione delle prestazioni delle reti neurali in Python
- Nozioni base sulle reti profonde
- Cosa è il deep learning?
- Architettura delle reti profonde – Parametri, Livelli, Funzioni di attivazione, Funzioni di perdita, Solutori
- Machines a Boltzmann restritte (RBMs)
- Autoencoder
- Architetture delle reti profonde
- Reti di Credenza Profonde (DBN) – architettura, applicazione
- Autoencoder
- Machines a Boltzmann restritte
- Rete Neurale Convoluzionale
- Rete Neurale Ricorsiva
- Rete Neurale Recurrente
- Panoramica delle librerie e interfacce disponibili in Python
- Caffee
- Theano
- Tensorflow
- Keras
- Mxnet
- Scelta della libreria appropriata al problema
- Costruzione di reti profonde in Python
- Scelta dell'architettura appropriata per il problema assegnato
- Reti profonde ibride
- Apprendimento della rete – libreria appropriata, definizione dell'architettura
- Affinamento della rete – inizializzazione, funzioni di attivazione, funzioni di perdita, metodo di ottimizzazione
- Evitare l'overfitting – rilevazione dei problemi di overfitting nelle reti profonde, regolarizzazione
- Valutazione delle reti profonde
- Casi di studio in Python
- Riconoscimento delle immagini – CNN
- Detezione di anomalie con Autoencoder
- Previsione di serie temporali con RNN
- Riduzione della dimensionalità con Autoencoder
- Classificazione con RBM
Requisiti
E' auspicabile la conoscenza/apprezzamento dell'apprendimento automatico, dell'architettura dei sistemi e dei linguaggi di programmazione
14 Ore
Recensioni (2)
Organization, adhering to the proposed agenda, the trainer's vast knowledge in this subject
Ali Kattan - TWPI
Corso - Natural Language Processing with TensorFlow
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
