Le vendite proseguono nel nuovo sito https://www.deeplearningitalia.com/
Il corso “Deep Generative Models con Pytorch” è stato ideato per fornire una conoscenza di base, teorica e pratica, delle tecniche generative utilizzate nel mondo del Deep Learning. Il corso si compone di quattro moduli, il primo dei quali fornisce una breve introduzione al Deep Learning ed al framework Pytorch, che verrà utilizzato durante tutte le lezioni pratiche. I successivi tre moduli sono ciascuno interamente dedicato ad una diversa architettura: Variational AutoEncoders (VAEs), Restricted Boltzmann Machines (RBMs) e Generative Adversarial Networks (GANs). Nel corso delle lezioni teoriche approfondiremo i concetti chiave che stanno alla base della formulazione di questi modelli, mentre nelle lezioni pratiche vedremo come implementare, allenare e testare questi modelli su dataset di computer vision. Il percorso di apprendimento è inoltre intervallato da test a risposta multipla che permettono di monitorare la comprensione degli argomenti di studio e si conclude con un test pratico finale nel quale verranno messe in pratica le competenze acquisite durante il corso.
Il tuo istruttore
Fabio Valerio Massoli è ricercatore presso l’Istituto di Scienza e Tecnologie dell’Informazione del CNR. Dopo essersi occupato durante il Ph. D. in fisica delle alte energie di tecniche MonteCarlo e modellazione statistica in prestigiose università quali la Columbia University e la Chicago University, quattro anni fa ha deciso di seguire la sua grande passione per le tecnologie d’avanguardia. Diventa così ricercatore presso il CNR, dove si occupa di ricerca nel campo del Deep Learning con particolare attenzione al campo della computer vision. Collabora attivamente con diverse realtà sia accademiche che industriali lavorando in ambiti quali Face Recognition, Adversarial Attacks, ed Image Generation. Di recente ha inoltre legato la sua passione per la tecnologia ed il suo background in fisica prendendo parte a progetti che prevedono l’impiego di tecnologie quantistiche nell’ambito del Machine Learning.
Argomenti
-
InizioIntroduzione ai Modelli Generativi con Pytorch (10:18)
-
InizioDeep Learning Notazioni (15:05)
-
InizioLearning Paradigm & Learning Rule (12:25)
-
InizioBackpropagation (18:11)
-
InizioEsercitazione: Deep Learning Linear Layer, Convolutional Layer (18:39)
-
InizioEsercitazione: Deep Feed Forward Fully Connected Neural Network (15:47)
-
InizioEsercitazione: DataSet & Data Agumentation (11:07)
-
InizioEsercitazione: Training, Test Model (12:57)
-
InizioVariational AutoEncoders (VAEs) (4:57)
-
InizioIntroduzione allo Statistical Modeling (13:02)
-
InizioModelli a Variabile Latente (9:16)
-
InizioExpectation Maximization Algorithm (6:04)
-
InizioExpectation Maximization Algorithm: E-step (5:13)
-
InizioExpectation Maximization Algorithm: M-step (4:20)
-
InizioVariational Inference (6:42)
-
InizioVAE: Problem Formulation (parte 1) (8:46)
-
InizioVAE: Problem Formulation (parte 2) (10:22)
-
InizioTraining VAEs: Decoder's Gradient (7:09)
-
InizioTraining VAEs: Log Derivate Trick (4:01)
-
InizioTraining VAEs: Reparameterization Trick (7:43)
-
InizioEsercitazione: Vanilla VAEs (14:24)
-
InizioEsercitazione: Training a Deep Convolutional VAEs (19:04)
-
InizioEsercitazione: Generating Images con DCVAEs (10:35)
-
InizioEsercitazione: Training a Convolutional-VAEs (16:21)
-
InizioProbabilistic Graphical Models (7:07)
-
InizioFrom Hopfield Network to Boltzmann Machines (11:37)
-
InizioIntroduzione a Markov Chain & Monte Carlo (11:03)
-
InizioGibbs Sampling (12:12)
-
InizioRestricted Boltzmann Machines (parte 1) (16:05)
-
InizioRestricted Boltzmann Machines (parte 2) (10:11)
-
InizioTraining una Restricted Boltzmann Machine (10:41)
-
InizioRestricted Boltzmann Machine: Parameters Update (8:05)
-
InizioRestricted Boltzmann Machine: Persistent Contrastive Divergence (6:33)
-
InizioRestricted Boltzmann Machine Extensions (6:46)
-
InizioEsercitazione: Training an RBM (24:33)
-
InizioEsercitazione: RBM as a features extractor (13:24)
-
InizioEsercitazione: Free Energy formulation of an RBM (12:39)
-
InizioEsercitazione: Inference with RBMs (9:40)
Domande frequenti
Puoi comprare questo corso solo all'interno del mini degree.
- Lorenzo Conti, Machine Learning Engineer @ AISent