Fondamenti delle reti neurali artificiali e principi di allenamento

Questo corso fornisce un'introduzione strutturata ai principi matematici di base, ai modelli architettonici e alle procedure di allenamento che consentono alle reti neurali di apprendere dai dati, e fornì una panoramica delle principali tecniche di apprendimento automatico. Inizierai con definizioni essenziali e concetti fondamentali, costruendo una solida base teorica prima di esplorare strategie di ottimizzazione e routine di allenamento di rete.Attraverso letture strutturate e frammenti di codice pratici, svilupperai una chiara comprensione di come i sistemi di deep learning funzionano sotto il cofano. Cosa imparerai: - Comprendere la terminologia fondamentale, le funzioni di attivazione e le architetture di rete di base - Padroneggiare la meccanica della propagazione in avanti, delle funzioni di perdita e della retropropagazione - Applicare algoritmi di ottimizzazione tra cui discesa del gradiente e tassi di apprendimento adattivo - Configurare le tecniche di regolarizzazione come l'abbandono e il decadimento del peso per evitare l'overfitting - Analizza i problemi di allenamento comuni come i gradienti di scomparsa e impara i metodi per mitigarli - Esplora i moderni concetti fondamentali, inclusi i meccanismi di attenzione e le basi del trasformatore Il corso inizia con la teoria introduttiva e avanza gradualmente verso le strategie di ottimizzazione chiave, offrendo un quadro concettuale completo.È su misura per principianti, sviluppatori e appassionati di dati senza esperienza precedente di apprendimento profondo. Leggi le lezioni per stabilire una solida base nella teoria delle reti neurali.