Corso

Machine Learning e Deep Learning

Codice Corso: P04-MODENA-T-016

Come utilizzare modelli di classificazione lineare, reti neurali, reti ricorrenti, reti convolutive e reti non supervisionate, per ottimizzare i processi aziendali

Obiettivi

-Fornire le competenze sui modelli basati su reti neurali per la classificazione di:
dati numerici,
dati temporali,
dati testuali
dati visuali e multimediali;
- Presentare i principali strumenti per lo sviluppo di algoritmi intelligenti;
- Fornire le basi del coding di modelli a reti neurali;
- Fornire le competenze per l'utilizzo dei principali software open source quali OpenCV di visione artificiale, SKlearn di PyTorch/TensorFlow su reti neurali e machine learning.

 

Programma

 

Modulo 1

Obiettivi

Fornire le basi dei principali modelli di apprendimento lineari. Introdurre il problema della classificazione e del clustering e le principali tecniche adottate.

Fornire gli strumenti per lo sviluppo e l’addestramento dei modelli e la loro valutazione.

Contenuti

Introduzione al machine learning

• Apprendimento supervisionato
• Apprendimento non supervisionato

Modelli di classificazione lineare

• Modelli lineari di classificazione LDA e Regressione logistica
• Modelli di classificazione non lineare SVM e kernel
• Clustering e principi di apprendimento non supervisionato tramite Kmeans

Sessione pratica

Introduzione a Python e numpy

• Introduzione al linguaggio python per il machine learning
• Introduzione a numpy e alle principali strutture dati per l’apprendimento
• Modelli di classificazione lineare
• SVM e classificazione non lineare
• Clustering

 

Modulo 2

Obiettivi

Fornire i rudimenti tecnici per la comprensione e il design di reti neurali per dati di tipo numerico.

Fornire la conoscenza dei framework per lo sviluppo e l’addestramento dei modelli e la loro valutazione.

Contenuti

• Introduzione alle reti neurali
• Il neurone digitale
• I classificatori a reti neurali multistrato
• Le reti profonde (deep learning)
• I principali metodi di addestramento e la discesa del gradiente.

Sessione pratica

Introduzione a Pytorch

• Introduzione al framework di sviluppo di modelli deep pytorch
• Installazione
• Rudimenti di costruzione dei modelli
• Classificazione tramite Reti neurali
• Costruzione e sviluppo di un modello a rete neurale
• Addestramento
• Valutazione

 

Modulo 3

Obiettivi

Fornire i rudimenti tecnici per la comprensione e il design di reti neurali ricorrenti per dati di tipo tempo-variante, per il testo e le sequenze numeriche. Fornire elementi apprendimento non supervisionato.

Fornire la conoscenza dei framework per lo sviluppo e l’addestramento dei modelli e la loro valutazione.

Contenuti

Le reti ricorrenti e l’analisi delle sequenze

• Processi Markoviani
• Celle RNN
• Celle LSTM
• Reti convolutive per sequenze temporali e modelli autoregressivi

Sessione pratica

Design di modelli ricorrenti

• Classificazione di sequenze numeriche
• Classificazione di testo e sentiment analysis
• Predizione di sequenze numeriche

 

Modulo 4

Obiettivi

Fornire i principi per l’analisi di immagini tramite reti neurali. I principi delle reti convolutive e le principali architetture per la classificazione e la segmentazione del contenuto.

Contenuti

Le reti convolutive

• I layer convolutivi
• Reti di classificazione
• Reti note allo stato dell’arte per
• Classificazione
• Segmentazione

Sessione pratica

Implementazione Pytorch di reti convolutive

Caricamento e riuso in Pytorch di modelli pretrainati e allenati solo per il problema specifico.

 

Modulo 5

Obiettivi

Analisi dei modelli di reti neurali non supervisionati. Presentazione di possibili soluzioni di anomaly detection. Fornire i principi e i rudimenti dell’apprendimento con rinforzo, reinforcement learning.

Contenuti

Le reti non supervisionate

• autoencoder
• Modelli generativi
• VAE e GAN

Sessione pratica

Design di modelli non supervisionati

• Design di un autoencoder
• Autoencoder per anomaly detection

Il reinforcement learning

• Action e state value function
• Q learning
• Monte Carlo e Temporal difference
• Deep Q learning

Sessione pratica

Implementazione di un metodo di rinforzo basato su Q learning

 

Ulteriori informazioni
La quota di partecipazione è comprensiva di materiale didattico in formato digitale e attestato di partecipazione.
Si intendono aziende associate quelle aderenti alle associazioni: ACIMAC, ACIMALL, AMAPLAST, FEDERTEC E UCIMA.
 

 

Destinatari

Responsabili IT e digital, Data Analyst e Data Scientist, Software developer, Programmatori, Software Engineer di aziende manifatturiere.

 

Durata

40 ore

 

Quota di adesione:

2.350,00 € + IVA a persona per le aziende associate

2.650,00 € + IVA a persona per le aziende non associate

 

Date e Sedi di svolgimento

Edizione da programmare.