AI per principianti: guida pratica (Deep Learning + PyTorch), basi essenziali per l'AI

Indice del corso:

1. Introduzione al corso
– Comprendere il contenuto del corso e gli obiettivi di apprendimento.

2. Analisi dei compiti delle reti neurali
– Analizzare i compiti che una rete neurale deve svolgere, per gettare le basi dell'apprendimento.

3. Interpretazione dei metodi di aggiornamento del modello
– Interpretare i metodi e i principi di aggiornamento del modello, padroneggiare le tecniche di ottimizzazione del modello.

4. Metodi di calcolo della funzione di perdita
– Apprendere i metodi di calcolo della funzione di perdita, comprendere i criteri per valutare l'efficacia del modello.

5. Interpretazione del processo di propagazione in avanti
– Analizzare in profondità il processo e i principi della propagazione in avanti delle reti neurali.

6. Dimostrazione della retropropagazione
– Dimostrare praticamente il processo di retropropagazione, per approfondire la comprensione e padroneggiare le tecniche.

7. Scomposizione dell'architettura della rete neurale
– Analizzare dettagliatamente l'architettura complessiva della rete neurale, chiarendo le funzioni e i ruoli di ciascuna parte.

8. Analisi della visualizzazione dei risultati
– Utilizzare strumenti di visualizzazione per analizzare l'efficacia della rete neurale e ottimizzare le prestazioni del modello.

9. Il ruolo del numero di neuroni
– Esplorare l'impatto del numero di neuroni sull'efficacia del modello, per ottimizzare la struttura della rete.

10. Preprocessing e dropout
– Apprendere le tecniche di preprocessing dei dati e dropout, per migliorare la capacità di generalizzazione del modello.

11-25. Reti neurali convoluzionali e applicazioni
– Analizzare passo dopo passo i principi e le applicazioni delle reti neurali convoluzionali, per realizzare compiti di elaborazione delle immagini.

26-32. Framework PyTorch e elaborazione dei dati
– Approfondire il framework PyTorch e i metodi di elaborazione dei dati, per costruire e addestrare modelli.

33-45. Addestramento di modelli di deep learning
– Apprendere il processo di addestramento e le tecniche dei modelli di deep learning, per migliorare l'efficacia del modello.

46-60. Elaborazione e addestramento di dati testuali
– Esplorare le tecniche di elaborazione e addestramento di dati testuali, applicandole a compiti di elaborazione del linguaggio naturale.

61-69. Deployment e servizio del modello
– Apprendimento del deployment dei modelli e dell'elaborazione lato server, per realizzare l'applicazione dei modelli in scenari reali.

70-76. Modelli transformer visivi
– Analisi dei principi e dei metodi di implementazione dei modelli transformer visivi, applicati all'elaborazione delle immagini.

77. Debug e pratica del codice sorgente del progetto
– Dimostrazione del processo di debug del codice sorgente del progetto, per aiutare gli studenti a comprendere e applicare le conoscenze acquisite.