Tutorial sul Deep Learning

Scopri la tecnica di ottimizzazione Adagrad, con i suoi principali vantaggi, limiti, implementazione in PyTorch e casi d’uso per ottimizzare i modelli di machine learning.

Scopri come l'ottimizzatore AdamW migliora le prestazioni del modello separando il weight decay dagli aggiornamenti del gradiente. Questo tutorial spiega le differenze chiave tra Adam e AdamW, i loro casi d'uso e fornisce una guida passo passo per implementare AdamW in PyTorch.

In questo tutorial imparerai a usare un autoencoder come classificatore in Python con Keras. Userai il dataset Fashion-MNIST come esempio.

In questo tutorial imparerai di più sugli autoencoder e su come costruire autoencoder convoluzionali e denoising con il dataset notMNIST in Keras.

Impara a costruire e implementare Convolutional Neural Networks (CNN) in Python con TensorFlow Framework 2

In questo tutorial imparerai a implementare le Convolutional Neural Networks (CNN) in Python con Keras e a contrastare l’overfitting con il dropout.

Questo tutorial passo dopo passo ti mostra come configurare e usare Jupyter Notebook su Amazon Web Services (AWS) EC2 con GPU per il deep learning.

Questo tutorial su Keras ti introduce al deep learning in Python: impara a preprocessare i dati, modellare, valutare e ottimizzare le reti neurali.

Esplora concetti matematici di base per data science e deep learning come scalare e vettore, determinante, decomposizione ai valori singolari e altro ancora.

In questo tutorial imparerai a leggere immagini di impronte digitali in formato JPEG e a ricostruirle usando un autoencoder convoluzionale.

Scopri cosa sono le Generative Adversarial Networks senza entrare nei dettagli matematici e scrivi il codice di una semplice GAN che può creare cifre!

In questo tutorial imparerai a implementare applicazioni potenti come Prisma utilizzando TensorFlow 2.0.