New
 
Fantom Tag

Corso - Implementazione del Deep Learning

Oltre il Machine Learning, il Deep Learning

  • A distanza
  • Fondamenti
  • Full immersion
Corso a catalogo
Durata
3 giorni (21 Ore)

Quota d'iscrizione
2.180,00 €  +IVA

WebCode
IT.2.1
Scarica il tagliando di iscrizione
Realizza questo corso in azienda
WebCode
IT.2.1

Durata
3 giorni (21 Ore)

5.890,00€ +IVA
(Quota riferita ad un gruppo di 10 pax max, +10% di Project Management)
Formazione customizzata
Sei interessato all'argomento?
Progettiamo un training personalizzato nella tua azienda.

Il Deep Learning (apprendimento profondo) è alla base dell'attuale rivoluzione in corso nell'intelligenza artificiale. Diventa quindi cruciale per aziende e organizzazioni comprendere i suoi meccanismi fondamentali e le sue best practices di implementazione.

Gli obiettivi del corso mirano innanzitutto a padroneggiare i mattoni di base del Deep Learning (reti neurali semplici, convoluzionali o ricorsive), comprendere e affrontare modelli più avanzati (autoencoder, modelli generativi, transformers), affrontare i meccanismi di apprendimento neurale per rinforzo e essere infine in grado di decodificare più facilmente le recenti architetture di modelli massicci come ChatGPT o Dall-e. 

I partecipanti potranno, basandosi sui contributi teorici e pratici forniti durante la formazione, mettere in pratica queste conoscenze concretamente durante workshop che segneranno il loro percorso."

Leggi di più
Per chi

A chi è rivolto

Per chi

  • Ingegneri, analisti, responsabili marketing
  • Data Analyst, Data Scientist, Data Administrator
  • Chiunque sia interessato alle specificità del Deep Learning

Prerequisiti

  • Conoscenza di un linguaggio di programmazione, preferibilmente Python

Programma

Programma del corso

1-Introduzione

  • L'avvento del Deep Learning
  • Deep Learning time line
  • Cosa possono imparare le macchine?

2-Reti Neurali Semplici (NN)

  • Il perceptron
  • Il multilayer perceptron (MLP)
  • Addestramento di un perceptron
  • Principio di backpropagation
  • Ottimizzatori per il Deep Learning
  • Regolarizzazione delle reti neurali
  • Tecniche di regolazione delle reti neurali

Laboratorio: implementazione di un MLP

3-Reti neurali convoluzionali (CNN)

  • Perché questo tipo di rete
  • Come funzionano le CNN
  • Campi di ricezione locali
  • Pesi condivisi
  • Convoluzione - la nozione di Padding
  • Convoluzione - Principio di calcolo
  • Strati di sottocampionamento (pooling)
  • Deep Convolutional Neural Networks (DCNN)
  • Modelli di CNN - ImageNet
  • Architetture DCNN
  • Inception Module (Google)
  • Transfer Learning
  • La promessa delle Capsule Network

Laboratori:

  • Implementazione di reti neurali convoluzionali per il riconoscimento di oggetti semplici
  • Sviluppo di un modello profondo che utilizza il Transfer Learning e applicazione al riconoscimento di oggetti

 4- Autocodifica e reti neurali variazionali (AE e VAE)

  • Autocodificatori generici: principi di funzionamento; scelta delle funzioni di codifica/decodifica; l'operazione di "deconvoluzione"; l'operazione di "deconvoluzione"; uso degli auto-encoder e metodi di apprendimento
  • Autoencoder variazionali (Variational Autoencoder): perché i VAE; principi di funzionamento; modello di inferenza variazionale; funzione di perdita VAE; ottimizzazione: il trucco della ri-parametrizzazione; Esempio di implementazione di un VAE; diverse varianti comuni di VAE

Laboratorio: Sviluppo e applicazione di autocodificatori per il denoising e la generazione di variazioni naturali dei dati.

5- Reti Generative Avversarie (Generative Adversial Networks -GANs)

  • L'esempio di Deep Fake Faces
  • Tassonomia dei modelli generativi
  • GANs, reti in cooperazione e competizione
  • Modelli generativi e discriminativi
  • I vantaggi delle GAN
  • Problemi classici delle GAN
  • Tassonomie delle GAN
  • Principi di funzionamento delle GAN standard
  • Principi di formazione
  • Approccio formale all'addestramento
  • GAN convoluzionali profonde come le DCGAN
  • Focus su GAN di riferimento più avanzate
  • Apprendimento progressivo di tipo PROGANS
  • Apprendimento condizionale di tipo CGANS
  • Cattura di caratteristiche distanti (SAGANS)
  • Apprendimento ciclico, tipo CYCLEGANS
  • Trasferimento di stile, tipo STYLEGANS
  • Sintesi di modelli GANS

Laboratori:

  • Implementazione di GAN convoluzionali profondi (DCGAN) su casi concreti
  • StyleGAN applicato alla generazione di immagini fini ad alta risoluzione

 6-Reti Neurali Ricorrenti (Recurrent Neural Network -RNN, Transformers, ecc.)

  • Introduzione
  • Reti neurali ricorrenti semplici
  • Le diverse topologie di RNN
  • Evanescenza ed esplosione del gradiente
  • La variante LSTM delle RNN
  • Un'altra variante: RNN bidirezionali GRUL
  • Elaborazione di sequenze molto lunghe
  • L'approccio convoluzionale puro del modello Wavenet
  • Approcci encoder-decoder
  • Reti SequenceToSequence semplici (seq2sec)
  • Addestramento di una rete seq2seq
  • Inferenza di una rete seq2sec
  • Il meccanismo di attenzione
  • Scoring tra elementi
  • Attenzione: allineamento dinamico dei pesi
  • Attenzione: calcolo della funzione di allineamento
  • L'architettura dirompente di Transformers
  • L'approccio per chiavi, valori e query
  • Illustrazione del calcolo dell'allineamento
  • Un meccanismo di attenzione a più teste
  • I vantaggi di un meccanismo di autoattenzione
  • Architettura completa dei trasformatori
  • Iperparametri del trasformatore di chiavi

Laboratorio: Costruzione di un agente conversazionale con un modello Transformer

7 - Reti neurali profonde ad autoapprendimento

  • Deep Reinforcement Learning (DRL): principi operativi; quadro di Markov; nozioni di valore di stato e di policy; processo decisionale di Markov (MDP); risoluzione attraverso vari processi di apprendimento; tassonomie di algoritmi DRL
  • Algoritmi profondi basati sul valore: principio di ottimalità di Bellman; il valore d'azione Q; Deep Learning del valore d'azione Q; principi di Deep Learning del valore d'azione Q; principi di funzionamento della rete DQN (deep Q network); approccio di esplorazione-sfruttamento; replay dell'esperienza; principio di addestramento della rete Q; variante DDQN
  • Algoritmi deep basati sul valore: metodi del gradiente di policy; approccio REINFORCE: principi e formalismo; modellazione delle policy; teorema del gradiente di policy; algoritmo REINFORCE
  • Algoritmi misti: variante REINFORCE con linea di base; altre varianti: ACTOR-CRITIC, A2C ; ALFAGO e sviluppi

Laboratorio: Implementazione di diverse reti di Deep Reinforcement Learning su casi concreti

Obiettivi

Obiettivi del corso

  • Padroneggiare gli elementi di base del Deep Learning: reti neurali semplici, convoluzionali e ricorsive
  • Essere in grado di comprendere I modelli più avanzati: autocodificatori, gan, apprendimento per rinforzo, ecc.
  • Conoscere i diversi modi in cui questi modelli possono essere utilizzati
Esercitazioni

Esercitazioni

  • Un approccio didattico basato sull\'alternanza di fasi teoriche, laboratori pratici, feedback e sessioni di discussione
  • I laboratori pratici che utilizzano Python e, in alcuni casi, R, integrano le fasi teoriche del corso
  • La condivisione delle migliori pratiche da parte di consulenti esperti in Intelligenza Artificiale

I Blog Cegos

Desideri approfondire alcune tematiche? Consulta gli articoli dei nostri consulenti su:

Finanziamenti

Opportunità di finanziamento

I Fondi Paritetici Interprofessionali permettono, alle aziende aderenti, di finanziare la formazione aziendale ed individuale rivolta ai propri dipendenti.

Affidati a Cegos e al suo Team dedicato per essere supportato lungo tutte le fasi del progetto finanziato, dalla valutazione di fattibilità, alla presentazione della domanda al Fondo Interprofessionale, fino alla rendicontazione dei costi e al rimborso delle spese.

Scopri come accedere ai finanziamenti per questo intervento.

Date

    Corso - Implementazione del Deep Learning