Corso
Deep Learning intermedio con PyTorch
IntermedioLivello di competenza
Aggiornato 06/2025
PyTorchArtificial Intelligence4 h15 video51 Esercizi4,050 XP27,589Attestato di conseguimento
Crea il tuo account gratuito
Continua con GoogleMostra più opzionio
Continuando, accetti i nostri Termini di utilizzo, la nostra Informativa sulla privacy e che i tuoi dati siano conservati negli Stati Uniti.
Preferito dagli studenti di migliaia di aziende
Formare un team?
Prova per il BusinessDescrizione del corso
Impara il deep learning
Il deep learning è un campo dell'intelligenza artificiale che sta cambiando velocemente e ha rivoluzionato il mondo dell'apprendimento automatico, portando a grandi progressi in cose come la visione artificiale, l'elaborazione del linguaggio naturale e il riconoscimento vocale. Gli ultimi progressi nell'intelligenza artificiale generativa, come i generatori di immagini e i chatbot conversazionali, hanno portato alla ribalta i modelli di deep learning. Inizia oggi stesso a scoprire come funziona il deep learning e come addestrare i modelli deep learning.Usa PyTorch, il modo più Pythonico per fare deep learning
PyTorch è un framework di deep learning potente e flessibile che permette a ricercatori e professionisti di creare e addestrare reti neurali con facilità. Amato dai Pythonisti di tutto il mondo, PyTorch offre tanta flessibilità e un modo intuitivo per mettere in pratica i concetti del deep learning.Addestra modelli di deep learning robusti
Questo corso sul deep learning con PyTorch è pensato per darti una comprensione completa dei concetti e delle tecniche fondamentali del deep learning e per fornirti le competenze pratiche necessarie per implementare vari concetti di reti neurali. Imparerai a gestire le architetture multi-input e multi-output. Imparerai come evitare i problemi di gradienti che scompaiono o esplodono usando attivazioni non saturanti, normalizzazione batch e una corretta inizializzazione dei pesi. Potrai ridurre l'overfitting usando la regolarizzazione e il dropout. Alla fine, capirai come accelerare il processo di formazione con la pianificazione della velocità di apprendimento.Crea modelli di immagini e sequenze
Imparerai a conoscere due tipi di reti neurali: Reti neurali convoluzionali (CNN) per i dati immagine e reti neurali ricorrenti (RNN) per dati sequenziali come serie temporali o testo. Capirai i loro vantaggi e potrai usarli per classificare immagini e prevedere serie temporali.Alla fine del corso, avrai le conoscenze e la sicurezza necessarie per addestrare e valutare in modo efficace i tuoi modelli di deep learning per un sacco di applicazioni.
Prerequisiti
Introduction to Deep Learning with PyTorch1
Addestrare reti neurali robuste
Impara ad addestrare reti neurali in modo robusto. In questo capitolo userai la programmazione orientata agli oggetti per definire dataset e modelli in PyTorch e ripasserai come addestrare e valutare reti neurali. Inoltre, conoscerai diversi ottimizzatori e, infine, affronterai varie tecniche che aiutano a mitigare i problemi di gradienti instabili, così comuni nell'addestramento delle reti neurali.
2
Immagini e Convolutional Neural Networks
Addestra reti neurali per risolvere compiti di classificazione di immagini. In questo capitolo imparerai a gestire dati di immagini in PyTorch e prenderai confidenza con le convolutional neural networks (CNN). Metterai in pratica l’addestramento e la valutazione di un classificatore di immagini, imparando anche a migliorare le prestazioni del modello con la data augmentation.
3
Sequenze e Recurrent Neural Networks
Crea e addestra recurrent neural networks (RNN) per elaborare dati sequenziali come serie temporali, testo o audio. Imparerai le due architetture ricorrenti più diffuse, Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU), e come preparare i dati sequenziali per l’addestramento del modello. Metterai in pratica le competenze addestrando e valutando un modello ricorrente per prevedere i consumi di elettricità.
4
Architetture multi-input e multi-output
Crea modelli multi-input e multi-output, mostrando come possano gestire compiti che richiedono più di un input o generano più output. Esplorerai come progettare e addestrare questi modelli con PyTorch e approfondirai il tema cruciale del bilanciamento delle perdite nei modelli multi-output. Ciò implica capire come bilanciare l’importanza dei diversi compiti quando si addestra un modello a svolgere più compiti contemporaneamente.
Deep Learning intermedio con PyTorch
Corso completato
Ottieni Attestato di conseguimento
Aggiungi questa certificazione al tuo profilo LinkedIn, al curriculum o al CVCondividila sui social e nella valutazione delle tue performanceIscriviti ora
Unisciti a oltre 19 milioni di studenti e inizia Deep Learning intermedio con PyTorch oggi!
Crea il tuo account gratuito
Continua con GoogleMostra più opzionio
Continuando, accetti i nostri Termini di utilizzo, la nostra Informativa sulla privacy e che i tuoi dati siano conservati negli Stati Uniti.
Aumenta le tue competenze sui dati con l'app di DataCamp
Avanza ovunque ti trovi con i nostri corsi per dispositivi mobili e le nostre sfide di programmazione quotidiane da 5 minuti.