Guida completa al Deep Learning e alle reti neurali
4.1 (173 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.
1,130 students enrolled

Guida completa al Deep Learning e alle reti neurali

Il corso completo per imparare le reti neurali e il deep learning con i linguaggi di programmazione R e Python
4.1 (173 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.
1,130 students enrolled
Created by Valentina Porcu
Last updated 9/2018
Italian
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
  • 10.5 hours on-demand video
  • 7 articles
  • 1 downloadable resource
  • 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
  • Imparare a impostare un modello di rete neurale con R e Python
  • Imparare a utilizzare Keras per R e per Python
  • Scoprire come funziona e come utilizzare una rete neurale tramite TensorFlow e Keras
  • Analizzare la struttura di una rete neurale e come essa apprende tramite il metodo della backpropagation
  • Utilizzare le reti neurali per il machine learning su un dataset di tipo classico
  • Capire come il computer 'vede' delle immagini e come impostare una rete perché preveda il contenuto di un'immagine tramite le reti convoluzionali
Course content
Expand all 73 lectures 10:31:10
+ Reti biologiche e artificiali
5 lectures 22:32
Storia e caratteristiche delle reti neurali
06:32
Il cervello umano
04:20
Il neurone artificiale
01:44
Le differenze tra i due sistemi
02:59
+ Reti feedforward
12 lectures 01:15:19
Tipi di reti neurali
04:08
Struttura di una rete neurale artificiale
02:19
Perceptrone
06:19
Un esempio base con R
04:14
Un esempio base con Python
06:34
Addestramento della rete
05:00
Deep Neural Networks o reti neurali profonde
01:52
I framework per il deep learning
03:51
Reti feedforward
02:08
Esempio di rete feedforward con nnet - R
12:25
Esempio di rete neurale con neuralnet - R
14:19
Esempio di previsione con output numerico - R
12:10
+ Altre nozioni di base
6 lectures 21:21
L'algoritmo di backpropagation
02:38
Il metodo del gradiente
02:50
Funzioni di attivazione
02:21
Parametri per le reti neurali
02:50
Vantaggi e svantaggi delle reti neurali
03:57
Esempio di backpropagation con Python
06:45
+ Primi passi nel deep learning con keras
15 lectures 02:29:08
Rappresentare dati non strutturati per il deep learning
03:55
Dai vettori ai tensori in R
06:05
Gli array in Python
07:36
I dataset per testare le reti neurali
00:48
CPU/GPU
04:12
Verificare la presenza di una GPU sul nostro computer
00:19
Keras per Python e per R
00:17
Un primo esempio di modello con keras e iris su R
26:24
Esempio di classificazione binaria sul dataset Pima con R
15:59
Esempio di regressione con R
09:40
Esempio di regressione sul dataset Boston con R
11:50
Esempio di regressione con Python
12:05
Esempio di regressione sul dataset Boston con Python
10:41
Esempi di classificazione con Python
32:11
Tensorflow playground
07:05
+ Computer Vision e CNN
15 lectures 03:13:12
Computer Vision
06:13
Il deep learning nella computer vision
05:50
Convolutional Neural Networks
16:25
Stride e pooling
04:31
Capiamo come viene letta un'immagine dal computer - con R
18:11
Esempio di CNN con R e il dataset MNIST
21:33
Esempio di CNN con Python e il dataset MNIST - prima parte
26:59
Esempio di CNN con Python e il dataset MNIST - seconda parte
16:45
Esempio di CNN con R e il dataset CIFAR
13:48
Esempio di CNN con Python e il dataset CIFAR
14:06
Evoluzione delle reti neurali
02:16
Altri metodi ed esempi per le immagini con reti CCN
01:51
Creare una rete neurale a partire dai nostri dati con R
21:33
Aumentare i dati per perfezionare i modelli con R
14:23
Come usare dei modelli pretrained in R
08:48
+ Recurrent neural networks - RNN
11 lectures 02:18:04
Recurrent neural networks - RNN
06:30
Vanishing gradient
01:16
LSTM e GRU
02:45
Introduzione al Natural Language Processing
06:30
Il concetto di embedding e il Word2Vec
07:48
Come impostare una rete ricorrente
08:00
Implementare le reti ricorrenti sui testi con R
24:23
Implementare le reti ricorrenti sui testi con R -- seconda parte
23:24
Implementare le reti ricorrenti sui testi con Python
21:45
Implementare le reti ricorrenti sui testi con Python -- seconda parte
32:21
Introduzione alla Sentiment Analysis
03:22
+ Le reti neurali non supervisionate
4 lectures 19:33
Le reti neurali non supervisionate
00:51
Mappe di Kohonen
03:03
Esempio di mappe di Kohonen con R
14:39
Macchine di Boltzmann
01:00
+ GANs
1 lecture 02:47
Generative Adversarial Networks o GANs
02:47
Requirements
  • Conoscenze base di R e Python
  • Conoscenze base del machine learning
  • Interesse ad acquisire delle conoscenze specifiche nel deep learning
Description

Questo corso sul Deep Learning e reti neurali mira ad essere una guida e un punto di partenza per chi si avvicini allo studio delle reti neurali con i linguaggi R e / o Python. 

Le reti neurali sono l'ultima e più promettente famiglia di modelli per il machine learning avanzato, in quanto permettono non solo di predire dati a partire da un dataset classico, ma anche e soprattutto di portare a termine dei compiti che sono molto al di là del machine learning classico, come riconoscere oggetti in immagini, creare musica a partire da un gruppo di file audio, di generare un frame inedito di un videogioco e di creare un chatbot che risponda ai clienti al posto nostro. 

In questo corso, che presuppone una conoscenza di base di R, di Python o di entrambi, cominceremo a scoprire come funziona e come possiamo utilizzare una rete neurali, tramite due dei framework più interessanti e utilizzati nel deep learning: TensorFlow in backend e soprattutto Keras

Capiremo quindi come è nata l'intuizione del neurone artificiale e come queste reti si differenzino dal cervello umano. Passeremo poi ad analizzare la struttura di una rete neurale, e come essa apprende tramite il metodo della backpropagation.

Impareremo in particolare ad utilizzare le reti neurali per il machine learning su un dataset di tipo classico,  sia nelle reti feedforward sia avvicinandoci al concetto di retropropagazione. Applicheremo le reti neurali a problemi relativi alla classificazione di dati e alla regressione. 

Passeremo poi a capire come il computer 'vede' delle immagini, e come possiamo impostare una rete perché preveda il contenuto di un'immagine tramite le reti convoluzionali.

Impareremo ad applicare le nostre reti a dati di tipo sequenziale, come testi e dati sequenziali, per poi passare alle reti non supervisionate che ci permettono con successo di clusterizzare i nostri dati separandoli in gruppi omogenei. 


*****************************************************************

Oltre a nuove lezioni nelle sezioni già presenti, sono previsti futuri aggiornamenti nei seguenti ambiti:

- pytorch

- chatbot

- servizi di cloud e di gpu 



Who this course is for:
  • Per chi voglia imparare a conoscere il deep learning
  • Per chi voglia imparare ad applicare le reti neurali per la risoluzione di problemi