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
Parte 1 – Deep Learning e concetti DNN
Introduzione AI, Machine Learning e Deep Learning
-
Storia, concetti di base e applicazioni abituali dell'intelligenza artificiale lontano dalle fantasie portate da questo dominio
-
Intelligenza Collettiva: aggregare la conoscenza condivisa da molti agenti virtuali
-
Algoritmi genetici: per far evolvere una popolazione di agenti virtuali attraverso la selezione
-
Usual Learning Machine: 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 Machine Learning algoritmi: regressione lineare, Naive Bayes, albero casuale
-
Machine learning VS Deep Learning: problemi su cui Machine Learning rimane oggi lo stato dell'arte (Random Forests & XGBoosts)
Concetti di base di una rete neurale (Applicazione: percettrone multistrato)
-
Richiamo alle basi matematiche.
-
Definizione di una rete di neuroni: architettura classica, attivazione e
-
Ponderazione delle attivazioni precedenti, profondità di una rete
-
Definizione dell'apprendimento di una rete di neuroni: 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...). Maledizione della dimensionalità.
-
Distinzione tra dati multi-feature e segnale. Scelta di una funzione di costo in base ai dati.
-
Approssimazione di una funzione da parte di una rete di neuroni: presentazione ed esempi
-
Approssimazione di una distribuzione da parte di una rete di neuroni: presentazione ed esempi
-
Data Augmentation: come bilanciare un dataset
-
Generalizzazione dei risultati di una rete di neuroni.
-
Inizializzazione e regolarizzazione di una rete neurale: regolarizzazione L1/L2, Normalizzazione Batch
-
Algoritmi di ottimizzazione e convergenza
Strumenti ML / DL standard
È prevista una semplice presentazione con vantaggi, svantaggi, posizione nell'ecosistema e utilizzo.
-
Strumenti di gestione dei dati: Apache Spark, Apache Hadoop Strumenti
-
Machine Learning: Numpy, Scipy, Sci-kit
-
Framework di alto livello DL: PyTorch, Keras, Lasagne
-
Framework DL di basso livello: Theano, Torch, Caffe, Tensorflow
Convoluzionale Neural Networks (CNN).
-
Presentazione delle CNN: principi fondamentali e applicazioni
-
Funzionamento di base di una CNN: livello convoluzionale, uso di un kernel,
-
Padding & stride, generazione di mappe di funzionalità, raggruppamento dei livelli. Estensioni 1D, 2D e 3D.
-
Presentazione delle diverse architetture CNN che hanno portato lo stato dell'arte nella classificazione
-
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 un caso di classificazione comune (testo o immagine)
-
CNN per la generazione: super-risoluzione, segmentazione pixel-to-pixel. Presentazione di
-
Principali strategie per aumentare le feature map per la generazione di immagini.
Ricorrente Neural Networks (RNN).
-
Presentazione delle RNN: principi fondamentali e applicazioni.
-
Funzionamento di base della RNN: attivazione nascosta, propagazione posteriore nel tempo, versione Unfolded.
-
Evoluzioni verso le Gated Recurrent Unit (GRU) e la LSTM (Long Short Term Memory).
-
Presentazione dei diversi stati e delle evoluzioni apportate da queste architetture
-
Problemi di convergenza e vanizzazione del gradiente
-
Architetture classiche: Previsione di una serie temporale, classificazione ...
-
Architettura di tipo RNN Encoder Decoder. Utilizzo di un modello di attenzione.
-
Applicazioni NLP: codifica parola/caratteri, traduzione.
-
Applicazioni Video: previsione della successiva immagine generata di una sequenza video.
Modelli generazionali: Variational AutoEncoder (VAE) e Generative Adversarial Networks (GAN).
-
Presentazione dei modelli generazionali, collegamento con le CNN
-
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 per la riparametrizzazione. Applicazioni e Limiti osservati
-
Reti generative avversarie: fondamenti.
-
Doppia architettura di rete (generatore e discriminatore) con apprendimento alternativo, funzioni di costo disponibili.
-
Convergenza di una GAN e difficoltà incontrate.
-
Convergenza migliorata: Wasserstein GAN, Iniziato. Distanza di movimento della Terra.
-
Applicazioni per la generazione di immagini o fotografie, generazione di testo, super-risoluzione.
Profondo Reinforcement Learning.
-
Presentazione dell'apprendimento per rinforzo: controllo di un agente in un ambiente definito
-
Da uno stato e possibili azioni
-
Utilizzo di una rete neurale per approssimare la funzione di stato
-
Deep Q Learning: replay dell'esperienza, e applicazione al controllo di un videogioco.
-
Ottimizzazione della politica di apprendimento. On-policy e off-policy. Attore critico di architettura. A3C.
-
Applicazioni: controllo di un singolo videogioco o di un sistema digitale.
Parte 2 – Theano per Deep Learning
Nozioni di base su Theano
-
Introduzione
-
Installazione e configurazione
Funzioni Theano
-
Input, Output, Aggiornamenti, Dati
Addestramento e ottimizzazione di una rete neurale utilizzando Theano
-
Modellazione di reti neurali
-
Regressione logistica
-
Livelli nascosti
-
Formare una rete
-
Informatica e classificazione
-
Ottimizzazione
-
Perdita di log
Test del modello
Parte 3 – DNN con Tensorflow
TensorFlow Nozioni di base
-
Creazione, inizializzazione, salvataggio e ripristino di variabili TensorFlow
-
Alimentazione, lettura e precaricamento dei dati TensorFlow
-
Come utilizzare l'infrastruttura TensorFlow per addestrare i modelli su larga scala
-
Visualizzazione e valutazione di modelli con TensorBoard
TensorFlow Meccanica
-
Preparare i dati
-
Scaricare
-
Input e segnaposto
-
Costruisci il grafico
-
Inferenza
-
Perdita
-
Formazione
-
-
Addestrare il modello
-
Il grafico
-
La sessione
-
Anello del treno
-
-
Valutazione del modello
-
Costruisci il grafico di valutazione
-
Uscita di valutazione
-
Il percettrone
-
Funzioni di attivazione
-
L'algoritmo di apprendimento del percettrone
-
Classificazione binaria con il percettrone
-
Classificazione dei documenti con il percettrone
-
Limitazioni del percettrone
Dal percettrone alle macchine vettoriali di supporto
-
I kernel e il trucco del kernel
-
Classificazione del margine massimo e vettori di supporto
Artificiale Neural Networks
-
Limiti decisionali non lineari
-
Reti neurali artificiali feedforward e feedback
-
Percettroni multistrato
-
Minimizzazione della funzione di costo
-
Propagazione diretta
-
Propagazione posteriore
-
Migliorare il modo in cui le reti neurali apprendono
Convoluzionale Neural Networks
-
Goals
-
Architettura del modello
-
Principi
-
Organizzazione del codice
-
Avvio e addestramento del modello
-
Valutazione di un modello
Introduzioni di base da fornire ai moduli seguenti (Breve introduzione da fornire in base alla disponibilità di tempo):
Tensorflow - Utilizzo avanzato
-
Threading e code
-
Distribuito TensorFlow
-
Scrittura Documentation e condivisione del modello
-
Personalizzazione dei lettori di dati
-
Manipolazione dei file del modello TensorFlow
TensorFlow Servire
-
Introduzione
-
Tutorial di base per la somministrazione
-
Tutorial avanzato per la somministrazione
-
Tutorial sul modello Inception per la pubblicazione
Requisiti
Background in fisica, matematica e programmazione. Coinvolgimento in attività di elaborazione delle immagini.
I delegati devono avere una conoscenza preliminare dei concetti di apprendimento automatico e devono aver lavorato su Python programmazione e librerie.
35 ore
Recensioni (5)
Hunter è favoloso, molto coinvolgente, estremamente ben informato e simpatico. Molto ben fatto.
Rick Johnson - Laramie County Community College
Corso - Artificial Intelligence (AI) Overview
Traduzione automatica
The trainer explained the content well and was engaging throughout. He stopped to ask questions and let us come to our own solutions in some practical sessions. He also tailored the course well for our needs.
Robert Baker
Corso - Deep Learning with TensorFlow 2.0
Tomasz really know the information well and the course was well paced.
Raju Krishnamurthy - Google
Corso - TensorFlow Extended (TFX)
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.
