Deep Learning Fundamentals
Il corso “Deep Learning Fundamentals” offre un’immersione approfondita nel campo del deep learning, con particolare enfasi sull’aspetto pratico e sperimentale. Durante il corso, gli studenti avranno l’opportunità di esplorare i concetti fondamentali di neuroni, strati neurali e architetture di reti neurali, oltre ad apprendere le tecniche di progettazione, addestramento e ottimizzazione di reti neurali semplici e complesse. Attraverso una combinazione di laboratori didattici, ogni studente potrà lavorare per completare esercizi di formazione che forniranno esperienza pratica nell’uso dello strumento per ciascuno degli argomenti trattati durante il corso.
CODE: DSAI300
Category: Corso Intelligenza Artificiale
Metodologia didattica
Il corso prevede laboratori didattici in cui ogni studente potrà svolgere esercizi di formazione che forniranno esperienza pratica nell’uso dello strumento, per ognuno degli argomenti trattati durante il corso.
Prerequisiti
- Conoscenza di base della matematica, in particolare dell’algebra lineare e del calcolo differenziale.
- Conoscenza dei fondamenti dell’informatica e della programmazione.
- Familiarità con Python e la sua sintassi.
- Comprensione dei concetti fondamentali di intelligenza artificiale e machine learning.
La seguente è una panoramica dei contenuti del corso:
- Neuroni e Layer: Questa sezione approfondisce gli elementi fondamentali delle reti neurali, trattando i concetti di neuroni e layer e il modo in cui contribuiscono all’architettura complessiva dei modelli di deep learning.
- Rete neurale semplice: I partecipanti impareranno a costruire e implementare una rete neurale di base, acquisendo esperienza pratica nella costruzione e nell’addestramento di semplici modelli per vari compiti.
- Coffee Roasting: Il corso introduce il concetto di Coffee Roasting come analogia pratica per comprendere il processo di ottimizzazione delle reti neurali, fornendo indicazioni sulla natura iterativa della formazione dei modelli.
- MNIST: MNIST, un popolare dataset di cifre scritte a mano, è un punto di riferimento comune per esplorare i compiti di classificazione nel deep learning. I partecipanti lavoreranno con MNIST per sviluppare competenze nella classificazione delle immagini utilizzando le reti neurali.
- Attivazione ReLU: La funzione di attivazione ReLU (Rectified Linear Unit) è un elemento chiave delle moderne architetture di rete neurale. Questa sezione tratta la teoria e l’applicazione delle funzioni di attivazione ReLU nei modelli di deep learning.
- Softmax: La funzione di attivazione Softmax è essenziale per i compiti di classificazione multiclasse. Gli studenti impareranno a conoscere Softmax e il suo ruolo nel produrre distribuzioni di probabilità su più classi negli output delle reti neurali.
- Multiclasse: Partendo dai concetti precedenti, questa sezione si concentra sulla gestione dei problemi di classificazione multiclasse, in cui i modelli devono classificare i dati di input in più di due classi.
- Valutazione: I partecipanti esploreranno varie tecniche per valutare le prestazioni dei modelli di deep learning, tra cui metriche come accuratezza, precisione, richiamo e punteggio F1.
- Bias: il corso si conclude con una discussione sui bias nei modelli di deep learning, affrontando le strategie per identificare e mitigare i bias per garantire sistemi di IA giusti ed equi.
Al termine del corso, i partecipanti saranno in grado di:
- Comprendere i concetti di neuroni e layer neurali.
- Creare e implementare una semplice rete neurale.
- Applicare l’apprendimento automatico nel contesto del Coffee Roasting.
Utilizzare il dataset MNIST per la classificazione. - Capire e applicare l’attivazione ReLU e Softmax.
- Gestire problemi multiclasse.
- Valutare le prestazioni dei modelli di deep learning.
- Comprendere e gestire i bias nei modelli di deep learning.
Durata – 1 giorno
Erogazione – in aula, in loco, da remoto
Requisiti PC e SW:
- Connessione a Internet
- Browser web, Google Chrome
- Zoom
Lingua
- Istruttore: Italiano
- Laboratori: Inglese
- Slides: Inglese
