modulo #1 Introduzione al Deep Learning Panoramica del deep learning, storia e applicazioni
modulo #2 Prerequisiti matematici Ripasso di algebra lineare, calcolo e teoria della probabilità
modulo #3 Fondamenti delle reti neurali Introduzione alle reti neurali artificiali, ai perceptron e ai perceptron multistrato
modulo #4 Funzioni di attivazione e backpropagation Funzioni di attivazione, backpropagation e discesa del gradiente
modulo #5 Costruzione e addestramento di reti neurali Esperienza pratica con la costruzione e l'addestramento di reti neurali utilizzando un framework di deep learning
modulo #6 Reti neurali convoluzionali (CNN) Introduzione alle CNN, livelli convoluzionali e livelli di pooling
modulo #7 Architetture CNN Architetture AlexNet, VGGNet, GoogLeNet e ResNet
modulo #8 Apprendimento tramite trasferimento e messa a punto Utilizzo di modelli CNN pre-addestrati e messa a punto per la classificazione delle immagini task
modulo #9 Reti neurali ricorrenti (RNN) Introduzione alle RNN, alle RNN semplici e alle reti LSTM
modulo #10 Architetture RNN GRU, RNN bidirezionali e modelli Encoder-Decoder
modulo #11 Modelli sequenza-sequenza Traduzione automatica, chatbot e modelli sequenza-sequenza
modulo #12 Modelli generativi Introduzione ai modelli generativi, GAN e VAE
modulo #13 Autoencoder e autoencoder variazionali Riduzione della dimensionalità, autoencoder e VAE
modulo #14 Reti avversarie generative (GAN) GAN, DCGAN e GAN condizionali
modulo #15 Apprendimento profondo per rinforzo Introduzione all'apprendimento per rinforzo, Q-learning e gradienti di policy
modulo #16 Apprendimento profondo per rinforzo Algoritmi DDPG, metodi Actor-Critic e AlphaGo
modulo #17 Apprendimento non supervisionato e clustering K-means, clustering gerarchico e riduzione della dimensionalità
modulo #18 Deep Learning per l'elaborazione del linguaggio naturale Word embedding, modelli linguistici e classificazione del testo
modulo #19 Meccanismi di attenzione Attenzione in NLP, trasformatori e BERT
modulo #20 Deep Learning per la visione artificiale Rilevamento, segmentazione e tracciamento di oggetti
modulo #21 Framework di Deep Learning TensorFlow, PyTorch e Keras
modulo #22 Valutazione del modello e ottimizzazione degli iperparametri Metriche di valutazione del modello, ottimizzazione degli iperparametri e convalida incrociata
modulo #23 Distribuzione e produzione di Deep Learning Distribuzione del modello, servizio del modello e produzione
modulo #24 Etica ed equità nel Deep Learning Considerazioni etiche, pregiudizi ed equità nel Deep Learning modelli
modulo #25 Riepilogo e conclusione del corso Pianificare i prossimi passi nella carriera di Deep Learning
