Deep Learning e Reti Neurali con Python: il Corso Pratico
4.6 (346 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
1,895 students enrolled

Deep Learning e Reti Neurali con Python: il Corso Pratico

Apprendi i segreti del Deep Learning e impara a creare le tue Reti Neurali Artificiali con Python, Keras e Tensorflow.
4.6 (346 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
1,895 students enrolled
Last updated 5/2020
Italian
Italian [Auto]
Current price: $132.99 Original price: $189.99 Discount: 30% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 12.5 hours on-demand video
  • 12 articles
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • Comprendere il funzionamento delle Reti Neurali Artificiali
  • Comprendere i vantaggi delle Reti Neurali Artificiali Profonde
  • Distinguere i diversi tipi di algoritmi di ottimizzazione
  • Programmare una Rete Neurale Artificiale con Keras su Tensorflow
  • Addestrare una Rete Neurale Artificiale per il riconoscimento di oggetti
  • Addestrare una Rete Neurale Artificiale per la classificazione di testi
  • Addestrare una Rete Neurale Artificiale Profonda utilizzando la GPU
  • Addestrare una Rete Neurale Artificiale Profonda nel Cloud
  • Creare Reti Neurali Convoluzionali per problemi di Computer Vision
  • Creare Reti Neurali Ricorrenti (LSTM e GRU) per problemi di Natural Language Processing
  • Utilizzare il Word Embedding per creare una rappresentazione vettoriale dei testi
  • Analizzare un dataset utilizzando Pandas
  • Lavorare con iPython e Jupyter Notebook
Course content
Expand all 138 lectures 12:51:58
+ Basi di Reti Neurali Artificiali
14 lectures 01:05:20
Rete neurale artificiale con Keras
08:40
Rete neurale artificiale profonda con Keras
02:29
Le funzioni di attivazione
07:05
Usare diverse funzioni di attivazione con Keras
03:36
Usare la matrice di confusione
03:41
La funzione di attivazione Softmax per classificazione multiclasse
05:29
Il dataset MNIST
05:24
Preprocessing del MNIST
03:36
Rete neurale per classificazioni multiclasse con Keras
04:50
Visualizzare gli errori della rete con Matplotlib
03:13
Approfondimenti e riferimenti
00:04
+ Addestramento e metodi di ottimizzazione
17 lectures 01:38:57
Derivate e Gradienti
06:46
Il Gradient Descent
07:38
Full batch, mini batch e stochastic gradient descent
10:34
Il dataset Fashion-MNIST
07:09
Full batch gradient descent con Keras
07:57
Stochastic gradient descent con Keras
02:28
Mini batch gradient descent con Keras
01:52
La Backpropagation
11:47
Scomparsa ed Esplosione del Gradiente
08:47
Inizializzazione dei parametri intelligente con Keras
04:57
Sfruttare il momentum
08:19
Implementare il momentum con Keras
04:19
Algoritmi con learning rate adattivo
08:22
Learning rate adattivo con Keras
02:05
Utilizzare l'ADAM con Keras
02:52
Il problema dell'overfitting
02:43
Approfondimenti e riferimenti
00:22
+ Overfitting e tecniche di regolarizzazione
13 lectures 01:10:02
Bilanciamento di bias e varianza
04:18
Cause e rimedi dell'overfitting in una rete neurale
03:07
La regolarizzazione L1 e L2
04:04
Regolarizzazione L1 e L2 con Keras
08:30
Il Dropout
04:47
Introduzione all'IMDB Review Dataset
07:07
Preparare i dati
04:06
Creiamo la rete neurale
03:41
Combattiamo l'overfitting con il Dropout con Keras
03:52
Usiamo la rete per classificare recensioni di film
08:09
Validare una rete neurale
08:29
Approfondimenti e riferimenti
00:05
+ Addestremento in Cloud e su GPUs
9 lectures 45:15
I vantaggi della GPU
05:36
Addestramento in Cloud
05:39
Testiamo la rete di benchmark sul nostro PC
06:13
Introduzione ad AWS EC2
08:54
Creiamo una macchina remota per Jupyter Notebook
03:50
Testiamo la rete di benchmark sull'istanza EC2
02:27
Connettere un kernel remoto ad ATOM
05:02
Approfondimenti e riferimenti
00:05
+ Reti Neurali Convoluzionali e Computer Vision
10 lectures 01:06:39
Vantaggi delle Reti Neurali Convoluzionali
07:06
L'operatore convoluzionale
07:55
Applicare filtri convoluzionali con Python
09:54
Stride e Padding
04:39
Lo strato convoluzionale
05:21
Creare una ConvNet con Keras
09:36
Strati di Pooling
06:41
Addestramento di una Rete Neurale Convoluzionale
04:31
Utilizzare il Pooling con Keras
10:44
Approfondimenti e riferimenti
00:12
+ Reti Neurali Ricorrenti e NLP
16 lectures 01:27:37
Leggi questo prima di proseguire
00:16
Vantaggi dei modelli sequenziali
05:04
Funzionamento delle Reti Neurali Ricorrenti
12:57
Limiti del Bag of Words
04:32
Il Word Embedding
11:36
Preparazione del dataset per il Word Embedding con Keras
07:55
Word Embedding e Vanilla RNN con Keras
06:32
Scomrparsa del Gradiente nelle Reti Ricorrenti
05:26
Long short-term memory networks
06:34
LSTM operazione per operazione
06:43
LSTM con Keras
03:55
Dropout in una rete ricorrente con Keras
03:13
Aggiungere strati ricorrenti multipli con Keras
05:20
Gated Recurrent Unit
03:54
GRU con Keras
03:15
Approfondimenti e riferimenti
00:24
+ Architetture di reti neurali miste
3 lectures 11:53
Reti Convoluzionali per la Sentiment Analysis con Keras
07:57
L'architettura CNN-LSTM con Keras
03:50
Approfondimenti e riferimenti
00:06
+ Conclusione
2 lectures 06:05
I tuoi prossimi passi
05:46
Scegli la tua Strada !
00:19
+ Prerequisiti: Basi di Programmazione con Python
16 lectures 01:36:47
Non sai (ancora) programmare ? Parti da qui
01:32
Eseguire codice Python
06:16
Input e output
05:17
Variabili e tipi di dati
04:50
Gestire le eccezioni
05:38
Formattazione
06:21
Liste e tuple
10:40
Set e frozenset
06:11
I dizionari
03:47
Il ciclo for
11:18
Ciclo while ed espressioni booleane
05:06
Istruzioni condizionali e operatori logici
04:09
Le funzioni
05:14
Classi e basi di programmazione ad oggetti
08:29
I moduli e la Standard Library
09:28
pip e il Python Package Index
02:31
Requirements
  • Basi di matematica da scuola superiore
  • Conoscere un qualsiasi linguaggio di programmazione può aiutare, ma non è indispensabile, è presente una sezione su Python per principianti assoluti
Description

L'Intelligenza Artificiale sta facendo progressi esponenziali, avanzando come nessuna tecnologia aveva mai fatto prima nella storia dell'uomo, e il merito è di un solo e unico campo: il Deep Learning.

Il Deep Learning è l'insieme di metodi utilizzati per addestrare le Reti Neurali Artificiali, un particolare modello del Machine Learning che hanno rivoluzionato l'intero settore.

Applicazione pratiche di Deep Learning e Reti Neurali Artificiali sono già intorno a noi:

  • Le self-driving cars che cambieranno come mai prima d'ora la mobilità urbana.

  • Gli assistenti virtuali come Alexa di Amazon e Google Home che sono sempre più presenti all'interno delle nostre abitazioni.

  • Sistemi intelligenti come IBM Watson che ogni giorno aiutano medici a fare diagnosi migliori salvando vite umane.

In questo corso esploreremo il funzionamento del Deep Learning e impareremo insieme a creare i nostri modelli di Reti Neurali Artificiali utilizzando Python e Keras su Tensorflow per risolvere problemi differenti, come:

  • Identificare tumori maligni.

  • Riconoscere capi di abbigliamento nelle foto.

  • Classificare recensioni come positive o negative.


Hai già seguito il nostro primo corso sul Machine Learning con Python o hai già esperienza con il Machine Learning ?

Allora sei pronto per addentrarti più in profondità con lo studio del Deep Learning e delle Reti Neurali Artificiali.


Non hai mai avuto a che fare con il Machine Learning prima d'ora ?

Non temere, abbiamo pensato anche a te, all'interno del corso troverai delle sezioni specifiche in cui ti verranno forniti tutti i prerequisiti sul Machine Learning necessari per poterti cimentare con le Reti Neurali Artificiali.


Non sai (ancora) programmare e non conosci il linguaggio Python ? Non preoccuparti, ti insegneremo tutto noi durante il corso ! L'unica cosa di cui hai bisogno per affrontare questo corso è qualche base di matematica da scuola superiore.


Cosa faremo durante il corso ?

Nella prima sezione osserveremo a cosa serve esattamente il Deep Learning e alcune delle sue applicazioni più importanti. Vedremo insieme quali sono i linguaggi più popolari per il Deep Learning e quali sono le librerie per Python che ci permettono di creare Reti Neurali Artificiali.

Dopo questa breve introduzione inizieremo subito a sporcarci le mani, osservando il funzionamento di una rete neurale artificiale per poi crearne una insieme, al fine di riconoscere tumori maligni partendo da informazioni estratte da degli esami radiologici.

Proseguiremo il corso studiando tutte le principali tecniche utilizzate per addestrare una rete neurale artificiale, come:

  • Gradient descent, nelle sue varianti Full batch, Mini Batch e Stochastic.

  • L'utilizzo di Momentum e Nesterov Momentum.

  • AdaGrad.

  • RMSprop.

  • AdaDelta.

  • Adam, Nadam e Adamax


Utilizzeremo le informazioni acquisite per addestrare una rete neurale artificiale in grado di riconoscere calzature, capi di abbigliamento e accessori nelle fotografie, utilizzando il dataset Fashion-MNIST.


Nella sezione seguente introdurremo il problema dell'overfitting nelle reti neurali artificiali e vedremo come contrastarlo con tecniche generiche come regolarizzazione L1 e L2 e specifiche per le reti neurali come il Dropout. Qui sfrutteremo il dataset delle recensioni di film dell'Internet Movie Database (IMDB) per creare una rete neurale in grado di comprendere in maniera autonoma se una recensione è positiva o negativa.


Il processo di addestramento di una Rete Neurale Artificiale può essere molto dispendioso, in termini di tempo e risorse di calcolo, per questo abbiamo creato una sezione apposita per mostrarti come velocizzare il processo sfruttando la parallelizzazione delle GPUs e servizi in Cloud come Google Colaboratory e Amazon AWS.

Proseguiremo il corso vendendo insieme una tipologia di reti neurali artificiali che hanno totalmente rivoluzionato il settore della Computer Vision, rendendo obsolete tutte le tecniche usate in precedenza, ovvero le Reti Neurali Convoluzionali.


In seguito vedremo un'altra tipologia di reti neurali utilissima  se il nostri dati sono una sequenza, come testi, audio, video e serie storiche, cioè le Reti Neurali Ricorrenti nelle varianti Vanilla Recurrent Neural Network, Long short-term memory (LSTM) e Gated Recurrent Unit (GRU). Inoltre vedremo come creare rappresentazioni vettoriali di testi utilizzando il Word Embedding.


Nell'ultima sezione pratica combineremo strati convoluzionali e ricorrenti per creare una Convolutional Long Short-Term Memory Network.


Al termine del corso ti verranno forniti alcuni consigli su come proseguire la tua avventura nel campo del Deep Learning, sia sotto un punto di vista pratico che teorico.


Artificial Intelligence, Machine Learning e Deep Learning sono in continua evoluzione, quindi dopo l'ultima sezione non considerare questo corso concluso, perché verrà aggiornato costantemente con nuovi contenuti. Ad ogni nuovo aggiornamento riceverai una notifica tramite email.


I contenuti in programma per il prossimo aggiornamento sono:


  • Eseguire predizioni su serie storiche utilizzando le reti neurali ricorrenti.

  • Tecniche di dataset augmentation e generatori di immagini


Who this course is for:
  • Programmatori e sviluppatori che vogliono trovare lavoro nei settori di deep learning e intelligenza artificiale
  • Imprenditori e startupper che vogliono fondare una nuova azienda tecnologica nel campo dell'intelligenza artificiale