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
-
Panoramica delle reti neurali e del deep learning
Il concetto di Machine Learning (ML)
Perché abbiamo bisogno di reti neurali e deep learning?
Selezione di reti per diversi problemi e tipi di dati
Apprendimento e validazione delle reti neurali
Confronto tra la regressione logistica e la rete neurale
Rete neurale
Ispirazioni biologiche alla rete neurale
Reti neurali: neurone, percettrone e MLP (modello di percettrone multistrato)
Apprendimento della MLP – algoritmo di retropropagazione
Funzioni di attivazione: lineare, sigma, Tanh, Softmax
Funzioni di perdita appropriate per la previsione e la classificazione
Parametri: tasso di apprendimento, regolarizzazione, quantità di moto
Costruire reti neurali in Python
Valutazione delle prestazioni delle reti neurali in Python
Nozioni di base sulle reti profonde
Che cos'è il deep learning?
Architettura delle reti profonde – Parametri, Livelli, Funzioni di attivazione, Funzioni di perdita, Risolutori
Macchine Boltzman limitate (RBM)
Encoder automatici
Architetture di reti profonde
Deep Belief Networks (DBN) – architettura, applicazione
Encoder automatici
Macchine Boltzmann limitate
Rete neurale convoluzionale
Rete neurale ricorsiva
Rete neurale ricorrente
Panoramica delle librerie e delle interfacce disponibili in Python
Caffè
Teano
Flusso tensore
Keras
Mxnet (rete elettronica)
Scelta della libreria appropriata per il problema
Costruire reti profonde in Python
Scelta dell'architettura appropriata per un determinato problema
Reti profonde ibride
Rete di apprendimento – libreria appropriata, definizione dell'architettura
Rete di sintonizzazione: inizializzazione, funzioni di attivazione, funzioni di perdita, metodo di ottimizzazione
Evitare l'overfitting: rilevamento dei problemi di overfitting nelle reti profonde, regolarizzazione
Valutazione delle reti profonde
Casi di studio in Python
Riconoscimento delle immagini – CNN
Rilevamento delle anomalie con gli 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