|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/deep-learning-pratico/
课程评论：没有评论
课程名称：深度学习与神经网络（Python：完整课程） 课程概述：人工智能正在以指数级的速度发展，这一切得益于一个独特的领域：深度学习。深度学习是训练人工神经网络的各种方法，这些模型彻底改变了整个行业。深度学习和人工神经网络的实际应用已经出现在我们周围，比如改变城市交通的自动驾驶汽车、日益普及的虚拟助手（如亚马逊的Alexa和谷歌助手）以及日常帮助医生改善诊断的智能系统（如IBM Watson）。 在本课程中，我们将深入探讨深度学习的运作原理，并一起创建我们的人工神经网络模型，使用Python和Keras在Tensorflow上解决各种问题，例如：识别恶性肿瘤、在照片中识别服装及将评论分类为正面或负面。课程适合有基础的学习者，针对没有机器学习经验的学员也设置了特定的先修知识部分。此外，如果您不熟悉Python编程语言，课程将提供相关的编程指导。您只需具备基础的高中数学知识即可参与。 课程安排： 1. 深度学习的用途及主要应用 2. 深入了解人工神经网络的工作原理 3. 使用Fashion-MNIST数据集训练识别鞋类和服装的神经网络 4. 解决过拟合问题的方法，如L1、L2正则化及Dropout技术 5. 使用IMDB电影评论数据集训练能够判断评论情感的神经网络 6. 加速神经网络训练的技巧，利用GPU并行处理及云服务（如Google Colaboratory和Amazon AWS） 7. 引入卷积神经网络，彻底改变计算机视觉领域 8. 探索递归神经网络（RNN）和其变种，如LSTM和GRU 9. 创建文本向量表示的Word Embedding 10. 实践中结合卷积层和递归层，建立卷积长短期记忆网络（ConvLSTM） 课程结束时，将提供继续深造深度学习的建议，课程会不断更新，您将通过电子邮件收到新内容的通知。未来更新计划包括：使用递归神经网络对时间序列数据进行预测、数据集增强技术及图像生成器等内容。 该课程为希望深入学习深度学习及人工神经网络的学员提供了全面的知识和技能。
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 AdamaxUtilizzeremo 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
