Corso
Introduzione al Deep Learning con PyTorch
IntermedioLivello di competenza
Aggiornato 01/2026
PyTorchArtificial Intelligence4 h16 video49 Esercizi3,900 XP86,141Attestato 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
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-learnIntroduction to NumPyPython Toolbox1
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.
2
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.
3
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.
4
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.
Introduzione al Deep Learning 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 Introduzione al Deep Learning 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.