Le vendite proseguono nel nuovo sito https://www.deeplearningitalia.com/
Il Machine Learning è una branca dell’Intelligenza Artificiale che mira a dotare le macchine della capacità di apprendere. Tale capacità può essere sfruttata per automatizzare la risoluzione di compiti altrimenti difficile da codificare in maniera esplicita, come il riconoscimento facciale, la traduzione automatica e la diagnosi assistita dal calcolatore. Il Machine Learning, e in particolare il Deep Learning che da esso deriva, stanno rivoluzionando il nostro modo di produrre nuova conoscenza e hanno reso l'Intelligenza Artificiale la tecnologia abilitante che è oggi. Il corso di “Fondamenti di Machine Learning” mira a trasferire i principali contenuti teorici e pratici di questa disciplina relativamente giovane, ma in costante e rapida evoluzione. Il corso si rivolge a tutti quanti abbiano curiosità nei confronti di tali temi e voglia di imparare. Non è richiesto un background specifico, anche se chi abbia affrontato studi scientifici, per esempio in un corso di laurea triennale in Informatica, Matematica, Fisica o Statistica, avrà un indubbio vantaggio. Per favorire l’apprendimento, il corso è strutturato in maniera bottom-up, partendo da esempi pratici e motivanti, e aggiungendo complessità con l’avanzare del corso. Inoltre, lezioni più teoriche sono intervallate da alcuni semplici tutorial, pratici, in linguaggio Python. Si raccomanda fortemente di alimentare la propria curiosità ampliando autonomamente il bagaglio di conoscenze, giocoforza trasferito in misura limitata nell’ambito del corso, poiché, come detto, il panorama letterario e applicativo è molto vasto e in costante e rapida evoluzione.
Il tuo istruttore
Gennaro Vessio ha conseguito il Dottorato di Ricerca in Informatica e Matematica presso il Dipartimento di Informatica dell’Università degli Studi di Bari, dove è attualmente ricercatore. I suoi principali interessi di ricerca riguardano il machine learning e il deep learning, e la loro applicazione a svariati domini, tra cui l’informatica medica e l’informatica umanistica. Gennaro è regolarmente coinvolto nelle attività didattiche del dipartimento di afferenza, e in attività di trasferimento tecnologico e divulgazione scientifica. Gennaro svolge regolarmente attività di revisione per riviste internazionali di prestigio, per conferenze internazionali in qualità di membro del comitato di programma, e contribuisce all’organizzazione di eventi scientifici. Infine, è membro di società scientifiche e di centri interdipartimentali.
Argomenti
-
InizioIntroduzione (10:52)
-
InizioConsiderazione sull'approssimazione di funzioni (6:50)
-
InizioTipologia di Algoritmi (6:36)
-
InizioIntroduzione a Python (3:51)
-
InizioRegressione Lineare (4:03)
-
InizioFunzione di Loss (5:39)
-
InizioGradient Descent (15:37)
-
InizioRegressione Lineare da Scratch (3:07)
-
InizioRegressione Multivariata (6:05)
-
InizioRegressione Polonomiale (5:26)
-
InizioRegressione Polonomiale da Scratch (2:08)
-
InizioBias Variance (12:58)
-
InizioRegolarizzazione (8:02)
-
InizioRegressione Logistica (6:54)
-
InizioRegressione Logistica da Scratch (2:06)
-
InizioConsiderazioni sulla Regressione Logistica (9:16)
-
InizioCross Entropy (3:37)
-
InizioRegressione Softmax (8:07)
-
InizioPerformance e Metrics (13:39)
-
InizioResampling Methods (10:20)
-
InizioPre-processing (12:41)
-
InizioBalancing (5:22)
-
InizioPipeline (5:03)
-
InizioCase Study (3:34)
-
InizioK-Nearest Neighbors (k-NN) (5:40)
-
InizioNaive Bayes (8:03)
-
InizioSupport Vector Machines (SVM) parte 1 (9:44)
-
InizioSupport Vector Machines (SVM) parte 2 (6:14)
-
InizioDecision Trees (11:37)
-
InizioMetodi di Ensemble (5:40)