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. Considereremo anche 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, verranno verificate le conoscenze acquisite.

You will gain a foundational understanding of TensorFlow's primary components - Tensors. You'll delve into the nature and applications of tensors, familiarize yourself with tensor properties, and acquire knowledge in essential mathematical operations.

You'll learn how TensorFlow operates and the ways to improve its performance. By the end of this module, you'll be well-equipped to implement basic neural networks or other tensor calculations, using only the TensorFlow library without any extras.

Explore the fundamentals of PyTorch, focusing on tensors—the core data structure used for computations. You will learn about tensor creation, random initialization, mathematical operations, and shape manipulation.

Explore key concepts for training models in PyTorch, including computing gradients and performing multi-step backpropagation. Master linear regression as a foundational machine learning model and introduces handling datasets efficiently.

Discover how to build, train, and evaluate neural networks using PyTorch. You will learn how to define a simple feedforward neural network, optimize its parameters through training, and assess its performance.

La computer vision consente alle macchine di interpretare e analizzare dati visivi, imitando la percezione umana. Questa sezione tratta le basi della rappresentazione delle immagini, dei modelli di colore e delle 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 computer vision. Questa sezione tratta tecniche essenziali come il filtraggio delle immagini, le trasformazioni, il rilevamento dei bordi e la segmentazione. Verranno illustrate operazioni di 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 rilevamento degli 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 nei settori sanitario, dell'autonomia e della 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 metodi di elaborazione delle immagini di base a tecniche complesse di deep learning. Questa sezione approfondisce le ultime innovazioni 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 sfide comuni nell'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 pre-elaborazione, addestramento del modello e valutazione delle prestazioni, con enfasi sul confronto tra le 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.