Solo pochi attimi di attesa

Posizione corrente:

Ti trovi in: Home » Scuola di Formazione Aziendale » Analisi dei dati » Deep Learning: prevedere e classificare

Deep Learning: prevedere e classificare

Come si costruisce un sistema automatico per riconoscere immagini o messaggi vocali? E per offrire suggerimenti commerciali agli utenti di un sito web? Si può prevedere l’andamento di una serie finanziaria ad alta frequenza? Introduzione al Deep Learning

A cosa serve il Deep Learning

Nel Deep Learning rientrano varie tipologie di ANN caratterizzate dalla presenza di un numero consistente di strati nascosti, numero che definisce la “profondità” della rete neurale.

L’opportunità di introdurre diversi hidden layers è spesso preferibile, in termini di efficienza dell’addestramento della rete, a un unico strato nascosto formato da un gran numero di neuroni. Ma non si tratta solo di agevolare l’apprendimento dai dati: la profondità della rete apre alla possibilità di modellare la trasformazione degli input in output in modi fantasiosi e complessi – impensabili, ad esempio, nel multi layer perceptron – per adattarla a una varietà di obiettivi.

E’ per questo che le reti del deep learning hanno un dominio di applicazione già sterminato e tuttavia in continua espansione: dal riconoscimento di immagini (image recognition) al tracciamento degli oggetti che vi compaiono (image captioning), dal processamento di file audio (speech recognition) alla traduzione simultanea (machine traslation), dai suggerimenti commerciali (recommendation systems) al recupero di informazioni ricercate da un utente (information retrivial) sia in ambiti generici che specifici (ad esempio, music information retrivial), dalla visione artificiale (computer vision) alle auto a guida autonoma, dalla previsione di serie storiche ad alta frequenza – come quelle finanziarie di società quotate in Borsa – al miglioramento delle previsioni meteo (Google Weather), dalla dignostica precoce di gravi malattie (automatic cancer detection) alla sintesi di nuovi materiali.

Destinatari, didattica e calendario

Il campo di applicazione del Data Science è in continua crescita ed è già oggi sterminato. Il Deep Learning, in particolare, trova applicazione in numerosi ambiti professionali, dall’informatica al marketing, dal web alla finanza, dall’ingegneria al biomedicale. Il corso, di livello intermedio, è destinato a chi voglia conoscere i principali metodi di clustering, combinando aspetti concettuali e pratica operativa. Le lezioni, infatti, mixano elementi teorici con esempi e applicazioni, sfruttando software open source e software a licenza piuttosto comuni.

Sono previste 13 ore di lezione erogate da uno o più Tutor della SFA; si suggerisce un minimo di 3-4 ore a settimana. Giorni e orari di lezione vanno concordati con i Tutor; si assicura ogni sforzo per accomodare le preferenze dei partecipanti, entro la finestra 8:00 – 23:00, lun – dom.

Quota di partecipazione

440,00€

La quota di partecipazione può variare in caso di personalizzazione del programma e si riferisce all’erogazione a un solo partecipante, in aula virtuale tramite la nostra piattaforma (Tutoring Room). Contatta il nostro Staff per informazioni sul costo del corso in caso di erogazione a due o più partecipanti e/o in aula tradizionale.

Attestato

Al termine del corso si rilascia un attestato di partecipazione riportante il programma svolto e firmato dal corpo docente. Si può anche richiedere la certificazione delle conoscenze acquisite previo superamento di una prova d’esame.


Reti neurali e deep learning

Programma

  1. Deep Learning: introduzione

    Una rete neurale deep non è che una ANN con un numero elevato di strati nascosti (hidden layers). Verrà spiegato perché una rete siffatta può essere preferibile a una con pochi strati nascosti. L’esempio più semplice è il deep multilayer perceptron, che presenta, però, due inconvenienti, l’overfitting e il vanishing gradient: verrà chiarito di cosa di tratta e verranno proposte soluzioni ad entrambi i problemi.Leggi di più

  2. Autoencoder

    Sono reti unsupervised impiegate con successo in problemi di riduzione della dimensione dei dati, di clustering e di anomaly detenction. Il classico autoencoder è un 3-layer-perceptron che comprime gli input in un numero ridotto di variabili latenti e poi le utilizza per “tornare indietro”, cioè per ricostruire gli input. Spesso le variabili latenti fotografano aspetti rilevanti (features) dei dati e diventano gli input di un altro autoencoder, che estrarrà features ancor più rilevanti. Replicando questa architettura si può creare una rete deep di autoencoder.Leggi di più

  3. Reti convoluzionali

    Sono deep ANN utilizzate principalmente nell’image recognition e nel captioning, ossia nella titolazione automatica degli oggetti che formano un’immagine (es. il cielo, un albero, una faccia, ecc.). Nella prima parte della rete, gli strati convoluzionali applicano dei filtri all’immagine, per estrarne varie features (angoli, curve, linee verticali/orizzontali, ecc.); nella seconda parte della rete avviene la classificazione vera e propria dell’immagine, in base alle features precedentemente identificate.Leggi di più

  4. Reti ricorrenti

    Sono caratterizzate dalla presenza di loop o di collegamenti all’indietro tra gli strati nascosti. Ciò consente di dotare la rete di “memoria”, violando la struttura gerarchica tipica delle altre ANN. Questo rende le reti ricorrenti adatte a identificare sequenze temporali quali quelle che caratterizzano i comportamenti di un individuo in un video, l’onda di una voce campionata o la dinamica di un titolo di borsa. Leggi di più

Personalizzazioni

La SFA è disponibile a valutare richieste di personalizzazione del programma del corso sotto vari profili. Puoi aggiungere argomenti funzionali agli obiettivi formativi, anche in sostituzione di argomenti in programma valutati di minor interesse. Puoi aggiungere prerequisiti, qualora tu ritenga di non avere le conoscenze di base necessarie per affrontate uno o più argomenti. Possiamo anche calibrare la didattica dando maggiore attenzione agli aspetti teorici o, viceversa, a quelli operativi.

Vuoi maggiori informazioni?

Scopri di cosa parliamo

Neque porro quisquam est, qui dolorem ipsum quia dolor sit amet, consectetur, adipisci velit, sed quia non numquam eius modi tempora incidunt ut labore et dolore magnam aliquam keywords.