Deep Learning Applicato con PyTorch (Da Zero a Maestro)
Questo corso offre un'introduzione completa al Deep Learning utilizzando PyTorch, il framework più popolare per la ricerca in campo di machine learning. Partendo dai fondamenti dei tensori, gli studenti affronteranno l'intero flusso di lavoro dell'apprendimento automatico, visione artificiale, ingegneria del software modulare, transfer learning e distribuzione dei modelli. Il programma è basato sul "codice prima", con un'enfasi sulla realizzazione pratica e sperimentazione.
Panoramica del corso
Riepilogo del contenuto
Questo corso offre un'introduzione completa all'Apprendimento Profondo con PyTorch, il framework più diffuso per la ricerca in campo machine learning. Partendo dalle basi dei tensori, gli studenti percorreranno l'intero flusso ML, visione artificiale, ingegneria software modulare, transfer learning e deployment dei modelli. Il curriculum è "code-first", con un'enfasi sulla pratica e sull'esperimentazione, garantendo che gli studenti non solo comprendano la teoria ma siano in grado di costruire, ottimizzare e distribuire sistemi profondi robusti.
Un breve riassunto degli obiettivi principali è padroneggiare l'intero ecosistema PyTorch, passando dalla matematica fondamentale a applicazioni di visione artificiale pronte per la produzione.
Obiettivi di apprendimento
- Implementare l'intero flusso di machine learning con PyTorch, dalle operazioni fondamentali sui tensori fino all'addestramento, alla valutazione e al persistere del modello.
- Progettare e distribuire architetture di deep learning, inclusi Reti Neurali Artificiali (ANN) e Reti Neurali Convolutionali (CNN), per compiti complessi di classificazione e visione artificiale.
- Trasformare il codice sperimentale in software modulare pronto per la produzione, adottando pratiche ingegneristiche standardizzate e strutture di directory.
- Utilizzare tecniche avanzate come il Transfer Learning e il tracciamento sistematico degli esperimenti (TensorBoard) per ottenere risultati all'avanguardia su dataset personalizzati.
- Preparare e distribuire modelli addestrati in applicazioni web interattive e sfruttare le funzionalità moderne di PyTorch 2.0 per accelerare l'inferenza.