Odissea del Deep Learning

Per prima cosa, discuteremo cosa sia una rete neurale e come funziona. Considereremo inoltre l'ambito delle sue applicazioni.

Successivamente, proveremo a costruire una nostra rete neurale e valuteremo quanto sia efficiente nell'apprendimento. Prenderemo inoltre in considerazione una soluzione già pronta dalla libreria scikit-learn.

Infine, forniremo alcune informazioni aggiuntive utili su come comprendere quale modello utilizzare e quali tipi di reti neurali esistono. Per completare il corso, verrà verificata la conoscenza acquisita.

Acquisirai una comprensione di base dei componenti principali di TensorFlow: i tensori. Approfondirai la natura e le applicazioni dei tensori, ti familiarizzerai con le proprietà dei tensori e acquisirai conoscenze sulle operazioni matematiche essenziali.

Imparerai come funziona TensorFlow e i modi per migliorarne le prestazioni. Al termine di questo modulo, sarai in grado di implementare reti neurali di base o altri calcoli tensoriali utilizzando esclusivamente la libreria TensorFlow, senza componenti aggiuntivi.

Esplora i fondamenti di PyTorch, concentrandoti sui tensori, la struttura dati principale utilizzata per i calcoli. Verranno trattati la creazione di tensori, l'inizializzazione casuale, le operazioni matematiche e la manipolazione delle forme.

Esplora i concetti chiave per l'addestramento dei modelli in PyTorch, inclusi il calcolo dei gradienti e la retropropagazione multi-step. Approfondisci la regressione lineare come modello fondamentale di machine learning e introduci la gestione efficiente dei dataset.

Scopri come costruire, addestrare e valutare reti neurali utilizzando PyTorch. Verrà illustrato come definire una semplice rete neurale feedforward, ottimizzare i suoi parametri tramite l’addestramento e valutarne le prestazioni.

La computer vision consente alle macchine di interpretare e analizzare dati visivi, imitando la percezione umana. Questa sezione copre le basi della rappresentazione delle immagini, i modelli di colore e le fondamenta matematiche essenziali per comprendere come i computer elaborano le immagini. Verranno esplorate applicazioni reali, dai veicoli autonomi all'imaging medico, e verrà illustrato come la computer vision si integri con l'AI e il machine learning.

OpenCV è una potente libreria per la manipolazione delle immagini e le attività di visione artificiale. Questa sezione tratta le tecniche essenziali come il filtraggio delle immagini, le trasformazioni, il rilevamento dei bordi e la segmentazione. Verranno illustrate le modalità per eseguire sfocatura, thresholding, rilevamento dei contorni ed estrazione delle caratteristiche per migliorare e analizzare le immagini in modo efficiente.

Le CNN elaborano dati visivi utilizzando strati di convoluzione, pooling e attivazione per estrarre caratteristiche utili in compiti come la classificazione delle immagini e il riconoscimento di oggetti. I componenti chiave includono il padding, la convoluzione per l'estrazione delle caratteristiche, il pooling per la riduzione della complessità e l'attivazione per introdurre non linearità. Architetture popolari come AlexNet, VGG e ResNet alimentano l'IA in ambiti quali sanità, autonomia e sicurezza.

Il rilevamento oggetti è un compito fondamentale nella computer vision che consiste nell'identificare e localizzare oggetti all'interno di un'immagine. A differenza della classificazione delle immagini, che assegna un'unica etichetta all'intera immagine, il rilevamento oggetti non solo classifica gli oggetti ma ne determina anche le posizioni utilizzando riquadri di delimitazione. Questa sezione tratta le principali tecniche e algoritmi utilizzati nel rilevamento oggetti, dai metodi tradizionali agli approcci basati su deep learning come YOLO e U-Net.

La computer vision ha compiuto notevoli progressi nel corso degli anni, passando da semplici metodi di elaborazione delle immagini a complesse tecniche di deep learning. Questa sezione approfondisce le innovazioni più recenti nella computer vision, concentrandosi su transfer learning, riconoscimento facciale e generazione di immagini. Verranno esaminati i vantaggi dei modelli pre-addestrati sulle prestazioni, i principi della tecnologia di riconoscimento facciale e il modo in cui l'IA crea immagini tramite deep learning.

Tratta le limitazioni delle reti neurali tradizionali per i dati sequenziali e introduce i fondamenti delle Reti Neurali Ricorrenti. Spiega l'architettura delle RNN, le tipologie e l'implementazione passo dopo passo tramite esempi di base e una sfida di programmazione.

Esplora le comuni sfide di addestramento come la scomparsa e l'esplosione dei gradienti. Introduce varianti avanzate di RNN, tra cui LSTM e GRU, evidenziando i loro meccanismi interni e casi d'uso, con esempi pratici di implementazione per ciascuna.

Si concentra sull'elaborazione e la previsione di dati di serie temporali utilizzando modelli basati su RNN. Include caricamento dei dati, tecniche di preprocessamento, addestramento del modello e valutazione delle prestazioni, con enfasi sul confronto tra architetture LSTM e GRU.

Dimostra l'applicazione delle RNN ai compiti di classificazione del testo. Copre i concetti fondamentali di NLP, i metodi di codifica del testo, le fasi di preparazione dei dati e la costruzione di un modello basato su LSTM per la previsione del sentiment.