Machine Learning e Deep Learning
I principali algoritmi di apprendimento automatico, deep learning e le loro applicazioni alla scienza dei dati.
Il corso esplora come utilizzare modelli di classificazione lineare, reti neurali, reti ricorrenti, reti convolutive e reti non supervisionate, per ottimizzare i processi decisionali 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
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.