Corso Online: Deep Learning e Reti Neurali

OBIETTIVI E PROGRAMMA

L’Intelligenza Artificiale sta facendo progressi esponenziali, avanzando come nessuna tecnologia aveva mai fatto prima nella storia dell’uomo, e il merito è di un solo e unico campo: il Deep Learning, ovvero l’insieme di metodi utilizzati per addestrare le Reti Neurali Artificiali, un particolare modello del Machine Learning che hanno rivoluzionato l’intero settore.
Le applicazione pratiche di Deep Learning e Reti Neurali Artificiali sono già intorno a noi: le self-driving cars che cambieranno come mai prima d’ora la mobilità urbana, gli assistenti virtuali come Alexa di Amazon e Google Home che sono sempre più presenti all’interno delle nostre abitazioni, i sistemi intelligenti come IBM Watson che ogni giorno aiutano medici a fare diagnosi migliori salvando vite umane.

OBIETTIVI

In questo corso esploreremo il funzionamento del Deep Learning e impareremo insieme a creare i nostri modelli di Reti Neurali Artificiali utilizzando Python e Keras su Tensorflow per risolvere problemi differenti.

PROGRAMMA

Questo corso ha una durata omplessiva di 13 ore.

Cap.01 Introduzione

Lezione 1.1 Dal Machine Learning al Deep Learning | 07:26 minuti
Lezione 1.2 Alcune applicazioni delle Reti Neurali Artificiali | 04:20 minuti
Lezione 1.3 Linguaggi e Librerie per il Deep Learning | 10:42 minuti

Cap.02 Il Dataset

Lezione 2.1 Dataset strutturati | 04:13 minuti
Lezione 2.2 Dataset non strutturati | 09:17 minuti
Lezione 2.3 Analisi di un dataset con Pandas | 22:30 minuti
Lezione 2.4 Tipi di Dati | 04:37 minuti
Lezione 2.5 Label e One-Hot Encoding | 09:04 minuti
Lezione 2.6 Gestire Dati Mancanti | 05:23 minuti
Lezione 2.7 Portare il Dataset sulla stessa scala | 04:17 minuti
Lezione 2.8 Normalizzazione e Standardizzazione di un Dataset con Pandas | 08:22 minuti
Lezione 2.9 Splitting del Dataset | 02:23 minuti
Lezione 2.10 TrainTest split con scikit-learn | 05:36 minuti

Cap.03 Machine Learning in Breve

Lezione 3.1 La Regressione Lineare | 06:34 minuti
Lezione 3.2 La Funzione di Costo | 03:41 minuti
Lezione 3.3 Gli Algoritmi di Ottimizzazione | 07:14 minuti
Lezione 3.4 Introduzione al Boston Housing Dataset | 05:36 minuti
Lezione 3.5 Regressione Lineare Semplice con Keras | 06:11 minuti
Lezione 3.6 Visualizzazione del Modello con Matplotlib | 03:23 minuti
Lezione 3.7 La Regressione Lineare Multipla | 02:30 minuti
Lezione 3.8 Regressione Lineare Multipla con Keras | 07:55 minuti
Lezione 3.9 La Regressione Logistica | 11:53 minuti
Lezione 3.10 Introduzione al Winsconsis Breast Cancer Dataset | 06:15 minuti
Lezione 3.11 Regressione Logistica con Keras | 05:02 minuti
Lezione 3.12 Regressione Logistica Multipla con Keras | 05:35 minuti

Cap.04 Basi di Reti Neurali Artificiali

Lezione 4.1 L’Approccio Biologico | 05:16 minuti
Lezione 4.2 Funzionamento di una Rete Neurale Artificiale | 08:47 minuti
Lezione 4.3 Struttura di una Rete Neurale | 03:10 minuti
Lezione 4.4 Rete Neurale Artificiale con Keras | 08:40 minuti
Lezione 4.5 Rete Neurale Artificiale Profonda con Keras | 06:05 minuti
Lezione 4.6 Le Funzioni di Attivazione | 07:05 minuti
Lezione 4.7 Usare Diveserse Funzioni di Attivazione con Keras | 03:36 minuti
Lezione 4.8 Usare la Matrice di Confusione | 03:41 minuti
Lezione 4.9 La Funzione di Attivazione Softmax per Classificazioni Multiclasse | 05:29 minuti
Lezione 4.10 Il Dataset MNIST | 05:24 minuti
Lezione 4.11 Preprocessing del MNIST | 03:36 minuti
Lezione 4.12 Rete Neuale per Classificazioni Multiclasse | 04:50 minuti
Lezione 4.13 Visualizzare gli Errori della Rete Neurale con Matplotlib | 03:13 minuti

Cap.05 Addestramento e metodi di ottimizzazione

Lezione 5.1 Derivate e Gradienti | 06:46 minuti
Lezione 5.2 Il Gradient Descent | 07:38 minuti
Lezione 5.3 Full Batch, Mini Batch e Stochastic Gradient Descent | 10:34 minuti
Lezione 5.4 Il Dataset Fashion-MNIST | 07:09 minuti
Lezione 5.5 Full Batch Gradient Descent con Keras | 07:57 minuti
Lezione 5.6 Stochastic Gradient Descent con Keras | 02:28 minuti
Lezione 5.7 Mini Batch Gradient Descent con Keras | 01:52 minuti
Lezione 5.8 La Backpropagation | 11:47 minuti
Lezione 5.9 Scomparsa ed Esplosione del Gradiente | 08:47 minuti
Lezione 5.10 Inizializzazione dei Parametri intelligente con Keras | 04:57 minuti
Lezione 5.11 Sfruttare il Momentum | 08:19 minuti
Lezione 5.12 Implementare il Momentum con Keras | 04:19 minuti
Lezione 5.13 Algoritmi con Learning Rate Adattivo | 08:22 minuti
Lezione 5.14 Learning Rate Adattivo con Keras | 02:05 minuti
Lezione 5.15 Utilizzare l’ADAM con Keras | 02:52 minuti
Lezione 5.16 Il Problema dell’Overfitting | 02:43 minuti

Cap.06 Overfitting e Tecniche di Regolarizzazione

Lezione 6.1 Bilanciamento di Bias e Varianza | 04:18 minuti
Lezione 6.2 Cause e Rimedi dell’Overfitting in una Rete Neurale | 03:07 minuti
Lezione 6.3 La Regolarizzazione L1 e L2 | 04:04 minuti
Lezione 6.4 Regolarizzazione L1 e L2 con Keras | 08:30 minuti
Lezione 6.5 Usiamo la Rete per Riconoscere Capi di Abbigliamento | 09:47 minuti
Lezione 6.6 Il Dropout | 04:47 minuti
Lezione 6.7 Introduzione all’IMDB Review Dataset | 07:07 minuti
Lezione 6.8 Preparare i Dati | 04:06 minuti
Lezione 6.9 Creiamo la Rete Neurale | 03:41 minuti
Lezione 6.10 Usiamo il Dropout per Combattere l’Overfitting con Keras | 03:52 minuti
Lezione 6.11 Usiamo la Rete per Classificare Recensioni di Film | 08:09 minuti
Lezione 6.12 Validare una Rete Neurale | 08:29 minuti

Cap.07 Addestramento in Cloud e su GPUs

Lezione 7.1 I Vantaggi della GPU | 05:36 minuti
Lezione 7.2 Addestramento in Cloud | 05:39 minuti
Lezione 7.3 Testiamo la Rete di Benchmark sul nostro PC | 06:13 minuti
Lezione 7.4 Guida a Google Colaboratory | 07:29 minuti
Lezione 7.5 Introduzione ad AWS EC2 | 08:54 minuti
Lezione 7.6 Creiamo una Macchina Remota per Jupyter | 03:50 minuti
Lezione 7.7 Testiamo la Rete di Benchmark su EC2 | 02:27 minuti
Lezione 7.8 Connettere un Kernel Remoto ad ATOM | 05:02 minuti

Cap.08 Reti Neurali Convoluzionali e Computer Vision

Lezione 8.1 Vantaggi delle Reti Neurali Convoluzionali | 07:05 minuti
Lezione 8.2 L’Operatore Convoluzionale | 07:55 minuti
Lezione 8.3 Applicare Filtri Convoluzionali con Python | 09:54 minuti
Lezione 8.4 Stride e Padding | 04:39 minuti
Lezione 8.5 Lo Strato Convoluzionale | 05:21 minuti
Lezione 8.6 Creare una ConvNet con Keras | 09:36 minuti
Lezione 8.7 Strati di Pooling | 06:41 minuti
Lezione 8.8 Addestramento di una Rete Convoluzionale | 04:31 minuti
Lezione 8.9 Utilizzare il Pooling con Keras | 10:44 minuti

Cap.09 Reti Neurali Ricorrenti e NLP

Lezione 9.1 Vantaggi dei Modelli Sequenziali | 05:04 minuti
Lezione 9.2 Funzionamento delle Reti Neurali Ricorrenti | 12:57 minuti
Lezione 9.3 Limiti del Bag of Words | 04:32 minuti
Lezione 9.4 Il Word Embedding | 11:36 minuti
Lezione 9.5 Preparazione del Dataset per il Word Embedding | 07:55 minuti
Lezione 9.6 Word Embedding e Vanilla RNN con Keras | 06:32 minuti
Lezione 9.7 Scomparsa del Gradiente nelle Reti Ricorrenti | 05:25 minuti
Lezione 9.8 Long Short-Term Memory Networks | 06:34 minuti
Lezione 9.9 LSTM Operazione per Operazione | 06:43 minuti
Lezione 9.10 LSTM con Keras | 03:55 minuti
Lezione 9.11 Dropout di una Rete Ricorrente con Keras | 03:13 minuti
Lezione 9.12 Aggiungere Strati Ricorrenti Multipli con Keras | 05:20 minuti
Lezione 9.13 Graded Recurrent Unit | 03:54 minuti
Lezione 9.14 GRU con Keras | 03:15 minuti

Cap.10 Architetture di Reti Neurali Miste

Lezione 10.1 Reti Convoluzionali per la Sentiment Analysis | 07:57 minuti
Lezione 10.2 L’Architettura CNN-LSTM con Keras | 03:50 minuti

Cap.11 Conclusione

Lezione 11.1 I Tuoi Prossimi Passi | 05:46 minuti

RICHIEDI INFORMAZIONI

PROCEDURA DI ISCRIZIONE

Per iscriversi al corso basta semplicemente cliccare sul pulsante “Aggiungi al Carrello” per verificare eventuali promozioni in corso e seguire la procedura guidata di registrazione e pagamento.

E’ possibile pagare sia tramite Carta di Credito/Paypal (senza costi aggiuntivi) oppure Bonifico Bancario (in caso di pagamento con Bonifico Bancario il corso sarà disponibile solo dopo avvenuto accredito presso la nostra Banca, in genere dai 3/5 giorni lavorativi).

Se si ha un Coupon sconto consigliamo di procedere come indicato sopra per l’iscrizione, una volta arrivati sulla pagina che mostra prezzo finale, occorre inserire il codice coupon qui e cliccare su “Verifica”. Successivamente, avviata la procedura di iscrizione, è necessario inserire nuovamente il coupon qui e cliccare su “Applica”, così il coupon sarà calcolato nel prezzo finale.

MODALITA’ DI ACCESSO E UTILIZZO

Il corso online è fruibile sulla nostra piattaforma attraverso tutti i dispositivi: smartphone, tablet e pc collegati ad internet, l’accesso è sempre disponibile (24/24). Il corso ha una validità di 6 mesi dalla data di iscrizione e dovrà essere completato entro tale termine.

Per accedere al corso, una volta acquistato (vedi modalità di iscrizione) basta cliccare sulla scritta in alto del sito “Accedi”.

Accedendo all’Area Utente con PC/Notebook o Tablet il pulsante “Accedi” è in alto a destra, come nell’immagine qui disponibile.

Se accediamo all’Area Utente da Smartphone, il pulsante “Accedi” è nella voce di menù a destra; occorre cliccare quindi l’icona del menù (cerchiata in rosso nell’immagine qui sotto) per visualizzarlo.

Si accede quindi al proprio account (usando le credenziali di registrazione) dove è disponibile l’accesso al corso online scelto, nella sezione “PROSPETTO CORSI” evidenziata in rosso nell’immagine qui sotto.

ATTESTATO E BENEFIT

A conclusione del percorso formativo sarà possibile scaricare nella propria area utente un certificato di frequenza personalizzato.

Richiedi informazioni

Campi richiesti