Do NOT follow this link or you will be banned from the site!

Indice Corsi

DIGITAL TRANSFORMATION

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.