Name: Introduzione al Deep Learning con PyTorch
Rating: 4.820190641247834 (4616 reviews)

Descrizione del corso

Capire il potere del Deep Learning

Il deep learning è ovunque: nelle fotocamere degli smartphone, negli assistenti vocali e nelle auto a guida autonoma. Ha persino aiutato a scoprire le strutture delle proteine e a battere gli esseri umani nel gioco del Go. Scopri questa tecnologia super potente e impara a usarla con PyTorch, una delle librerie di deep learning più famose.

Allena la tua prima rete neurale

Prima di tutto, vediamo la differenza tra deep learning e il "classico" machine learning. Imparerai come funziona l'addestramento di una rete neurale e come scrivere un ciclo di addestramento. Per farlo, creerai delle funzioni di perdita per i problemi di regressione e classificazione e userai PyTorch per calcolarne le derivate.

Dai un'occhiata al tuo modello e vedi se puoi migliorarlo.

Nella seconda parte, scoprirai i vari iperparametri che puoi sistemare per migliorare il tuo modello. Dopo aver capito come funzionano le diverse parti di una rete neurale, potrai creare architetture più grandi e complesse. Per vedere come va il tuo modello, userai TorchMetrics, una libreria PyTorch per valutare i modelli.

Una volta finito, potrai usare PyTorch per risolvere problemi di classificazione e regressione su dati tabulari e immagini usando il deep learning. Una competenza fondamentale per i professionisti esperti nel campo dei dati che vogliono dare una spinta alla loro carriera.

Prerequisiti

Supervised Learning with scikit-learn Introduction to NumPy Python Toolbox

Curriculum

Programma del corso

Introduzione a PyTorch, una libreria di Deep Learning

Auto a guida autonoma, smartphone, motori di ricerca... Il deep learning è ormai ovunque. Prima di iniziare a creare modelli complessi, familiarizzerai con PyTorch, un framework di deep learning. Imparerai a manipolare i tensori, creare strutture dati di PyTorch e costruire la tua prima rete neurale in PyTorch con layer lineari.

Inizia capitolo

Architettura delle reti neurali e iperparametri

Per addestrare una rete neurale in PyTorch, dovrai prima comprendere componenti aggiuntivi come le funzioni di attivazione e di loss. Capirai poi che l’addestramento di una rete richiede di minimizzare quella funzione di loss, operazione che si compie calcolando i gradienti. Imparerai a usare questi gradienti per aggiornare i parametri del tuo modello.

Inizia capitolo

Addestrare una rete neurale con PyTorch

Ora che conosci i componenti chiave di una rete neurale, ne addestrerai una utilizzando un training loop. Esplorerai possibili problemi come i gradienti che svaniscono e imparerai strategie per affrontarli, ad esempio funzioni di attivazione alternative e la regolazione di learning rate e momentum.

Inizia capitolo

Valutare e migliorare i modelli

Addestrare un modello di deep learning è un’arte e, per assicurarci che il modello venga addestrato correttamente, dobbiamo monitorare alcune metriche durante l’addestramento, come la loss o l’accuratezza. Impareremo come calcolare queste metriche e come ridurre l’overfitting.