TensorFlow Formazione in Italia

Questo corso formativo dal vivo, condotto da un istruttore Italia (online o in sede), è pensato per professionisti esperti che vogliono approfondire le proprie competenze nella visione artificiale e sfruttare al meglio TensorFlow per lo sviluppo di modelli avanzati tramite Google Colab.

Alla conclusione del corso, i partecipanti saranno in grado di:

• Costruire e addestrare reti neurali convoluzionali (CNN) con TensorFlow.
• Sfruttare Google Colab per uno sviluppo di modelli in cloud scalabile ed efficiente.
• Implementare tecniche di pre-elaborazione delle immagini utili nelle applicazioni di visione artificiale.
• Distribuire modelli di visione artificiale in contesti reali.
• Utilizzare il transfer learning per migliorare le prestazioni dei modelli CNN.
• Visualizzare e interpretare i risultati ottenuti dai modelli di classificazione delle immagini.

Questo corso formativo dal vivo, tenuto da istruttori Italia (online o in loco), si rivolge a data scientist e sviluppatori di livello intermedio interessati ad apprendere e applicare tecniche di apprendimento profondo nell’ambiente di Google Colab.

Alla fine del percorso formativo, i partecipanti saranno in grado di:

• Configurare e utilizzare Google Colab per progetti di apprendimento profondo.
• Comprendere i fondamenti delle reti neurali.
• Implementare modelli di apprendimento profondo tramite TensorFlow.
• Addestrare ed valutare tali modelli.
• Sfruttare le funzionalità avanzate di TensorFlow nell’ambito dell’apprendimento profondo.

Questo corso pratico, tenuto da un istruttore in Italia (online o in presenza), è rivolto a data scientist che desiderano utilizzare TensorFlow per analizzare dati potenzialmente legati a frodi.

Al termine del corso, i partecipanti saranno in grado di:

• Creare un modello di rilevamento delle frodi utilizzando Python e TensorFlow.
• Costruire modelli di regressione lineare per prevedere la presenza di frodi.
• Sviluppare un’applicazione completa basata sull’intelligenza artificiale per l’analisi dei dati relativi alle frodi.

Questo corso pratico tenuto da un istruttore in Italia (online o in presenza) è indirizzato a sviluppatori e data scientist che intendono utilizzare TensorFlow 2.x per creare predittori, classificatori, modelli generativi e reti neurali.

Alla fine del corso, i partecipanti saranno in grado di:

• Installare e configurare TensorFlow 2.x.
• Comprendere i vantaggi offerti da TensorFlow 2.x rispetto alle versioni precedenti.
• Costruire modelli di apprendimento profondo.
• Sviluppare un classificatore d’immagini avanzato.
• Distribuire un modello di apprendimento profondo su cloud, dispositivi mobili e sistemi IoT.

Questo corso inizia fornendo una base concettuale sulle reti neurali e, più in generale, sugli algoritmi di machine learning e sull’apprendimento profondo (con le relative applicazioni).

La prima parte del corso (40%) si concentra sui fondamenti, aiutando i partecipanti a scegliere la tecnologia più adatta: TensorFlow, Caffe, Theano, DeepDrive, Keras e simili.

Successivamente, nella seconda sezione (20%), viene introdotto Theano, una libreria Python progettata per semplificare la realizzazione di modelli di deep learning.

La terza parte del corso (40%) si basa in modo estensivo su TensorFlow: si tratta della libreria open source sviluppata da Google dedicata all’apprendimento profondo. Tutti gli esempi e le attività pratiche verranno realizzati proprio con questa piattaforma.

Destinatari

Il corso è rivolto a ingegneri che desiderano impiegare TensorFlow per i propri progetti di deep learning.

Al termine del percorso, i partecipanti saranno in grado di:

• comprendere a fondo le reti neurali profonde (DNN), le reti convoluzionali (CNN) e le reti ricorrenti (RNN);
• conoscere la struttura di TensorFlow e i meccanismi legati al suo utilizzo in produzione;
• gestire attività di installazione, configurazione dell’ambiente e progettazione architetturale;
  
• valutare la qualità del codice, effettuare il debug e monitorare l’operatività dei modelli;
  
• implementare funzionalità avanzate in produzione come l’addestramento dei modelli, la creazione di grafi computazionali e la registrazione dei risultati.