Modelli Generativi
Conoscenza base teorica e pratica delle tecniche generative utilizzate nel Deep Learning
Modelli Generativi
Tra i modelli di Machine Learning troviamo i Modelli Generativi, la cui funzione è quella di generare dati osservabili, dati alcuni parametri. Per creare un modello generativo dobbiamo raccogliere dapprima grandi quantità di dati in qualche dominio e dopo addestrare un modello per generare dati simili.
Tra i modelli di Machine Learning troviamo i Modelli Generativi, la cui funzione è quella di generare dati osservabili, dati alcuni parametri. Per creare un modello generativo dobbiamo raccogliere dapprima grandi quantità di dati in qualche dominio e dopo addestrare un modello per generare dati simili.
Cosa Imparerai nel corso?
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 modulo fornisce una breve introduzione al Deep Learning ed al framework Pytorch, che verrà utilizzato durante tutte le lezioni pratiche.
I successivi tre moduli trattano 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 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 modulo fornisce una breve introduzione al Deep Learning ed al framework Pytorch, che verrà utilizzato durante tutte le lezioni pratiche.
I successivi tre moduli trattano 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.
Struttura delle lezioni
Deep Learning Italia struttura le sue lezioni in maniera molto semplice: all’interno di ogni sezione ci sono video esplicativi, in cui il docente spiega la lezione, corredati da slides. Per le esercitazioni sarà utilizzato il framework Pytorch
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.
Deep Learning Italia struttura le sue lezioni in maniera molto semplice: all’interno di ogni sezione ci sono video esplicativi, in cui il docente spiega la lezione, corredati da slides. Per le esercitazioni sarà utilizzato il framework Pytorch
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.
Chi può seguire il corso?
Chi ha una mente aperta e predisposta all’analisi: le lezioni sono adatte a chiunque ma è necessario avere passione per i numeri e i calcoli, oltre che tanta pazienza.
Chi lavora anche full time: se sei un lavoratore full time non ti preoccupare! Potrai seguire le lezioni in completa autonomia nel tuo tempo libero.
Chi vuole crescere professionalmente: Se vuoi elevare la tua carriera Deep Learning Italia ti da l’opportunità di poterlo fare a costi contenuti.
Chi ha una mente aperta e predisposta all’analisi: le lezioni sono adatte a chiunque ma è necessario avere passione per i numeri e i calcoli, oltre che tanta pazienza.
Chi lavora anche full time: se sei un lavoratore full time non ti preoccupare! Potrai seguire le lezioni in completa autonomia nel tuo tempo libero.
Chi vuole crescere professionalmente: Se vuoi elevare la tua carriera Deep Learning Italia ti da l’opportunità di poterlo fare a costi contenuti.
Introduzione al Deep Learning
- Introduzione ai Modelli Generativi con Pytorch (10:18)
- Deep Learning Notazioni (15:05)
- Learning Paradigm & Learning Rule (12:25)
- Backpropagation (18:11)
- Esercitazione: Deep Learning Linear Layer, Convolutional Layer (18:39)
- Esercitazione: Deep Feed Forward Fully Connected Neural Network (15:47)
- Esercitazione: DataSet & Data Agumentation (11:07)
- Esercitazione: Training, Test Model (12:57)
Introduzione ai Variational AutoEncoders (VAEs)
- Variational AutoEncoders (VAEs) (4:57)
- Introduzione allo Statistical Modeling (13:02)
- Modelli a Variabile Latente (9:16)
- Expectation Maximization Algorithm (6:04)
- Expectation Maximization Algorithm: E-step (5:13)
- Expectation Maximization Algorithm: M-step (4:20)
- Variational Inference (6:42)
- VAE: Problem Formulation (parte 1) (8:46)
- VAE: Problem Formulation (parte 2) (10:22)
- Training VAEs: Decoder’s Gradient (7:09)
- Training VAEs: Log Derivate Trick (4:01)
- Training VAEs: Reparameterization Trick (7:43)
- Esercitazione: Vanilla VAEs (14:24)
- Esercitazione: Training a Deep Convolutional VAEs (19:04)
- Esercitazione: Generating Images con DCVAEs (10:35)
- Esercitazione: Training a Convolutional-VAEs (16:21)
Introduzione ai Probabilistic Graphical Models & Energy Based Models
- Probabilistic Graphical Models (7:07)
- From Hopfield Network to Boltzmann Machines (11:37)
- Introduzione a Markov Chain & Monte Carlo (11:03)
- Gibbs Sampling (12:12)
- Restricted Boltzmann Machines (parte 1) (16:05)
- Restricted Boltzmann Machines (parte 2) (10:11)
- Training una Restricted Boltzmann Machine (10:41)
- Restricted Boltzmann Machine: Parameters Update (8:05)
- Restricted Boltzmann Machine: Persistent Contrastive Divergence (6:33)
- Restricted Boltzmann Machine Extensions (6:46)
- Esercitazione: Training an RBM (24:33)
- Esercitazione: RBM as a features extractor (13:24)
- Esercitazione: Free Energy formulation of an RBM (12:39)
- Esercitazione: Inference with RBMs (9:40)
Modelli Generativi
- Modelli Generativi Recap (6:55)
- Generative Adversarial Networks (GAN) (10:54)
- Generative Adversarial Networks Training (parte 1) (8:21)
- Generative Adversarial Networks Training (parte 2) (5:59)
- Generative Adversarial Networks Training: Trip & Tricks (10:07)
- The Non-Convergence Problem (4:30)
- Conditional & Deep Convolutional GAN (8:46)
- Esercitazione: Vanilla GANs (9:51)
- Esercitazione: GANs Training (14:53)
- Esercitazione: Conditinal GANs (8:06)
- Esercitazione: Training a Conditional GAN (10:12)
- Esercitazione: Deep Convolutional GANs (5:37)
- Esercitazione: Training a Deep Convolutional GAN (8:51)
Final Project
- Final Project (7:36)
Introduzione al Deep Learning
- Introduzione ai Modelli Generativi con Pytorch (10:18)
- Deep Learning Notazioni (15:05)
- Learning Paradigm & Learning Rule (12:25)
- Backpropagation (18:11)
- Esercitazione: Deep Learning Linear Layer, Convolutional Layer (18:39)
- Esercitazione: Deep Feed Forward Fully Connected Neural Network (15:47)
- Esercitazione: DataSet & Data Agumentation (11:07)
- Esercitazione: Training, Test Model (12:57)
Introduzione ai Variational AutoEncoders (VAEs)
- Variational AutoEncoders (VAEs) (4:57)
- Introduzione allo Statistical Modeling (13:02)
- Modelli a Variabile Latente (9:16)
- Expectation Maximization Algorithm (6:04)
- Expectation Maximization Algorithm: E-step (5:13)
- Expectation Maximization Algorithm: M-step (4:20)
- Variational Inference (6:42)
- VAE: Problem Formulation (parte 1) (8:46)
- VAE: Problem Formulation (parte 2) (10:22)
- Training VAEs: Decoder’s Gradient (7:09)
- Training VAEs: Log Derivate Trick (4:01)
- Training VAEs: Reparameterization Trick (7:43)
- Esercitazione: Vanilla VAEs (14:24)
- Esercitazione: Training a Deep Convolutional VAEs (19:04)
- Esercitazione: Generating Images con DCVAEs (10:35)
- Esercitazione: Training a Convolutional-VAEs (16:21)
Introduzione ai Probabilistic Graphical Models & Energy Based Models
- Probabilistic Graphical Models (7:07)
- From Hopfield Network to Boltzmann Machines (11:37)
- Introduzione a Markov Chain & Monte Carlo (11:03)
- Gibbs Sampling (12:12)
- Restricted Boltzmann Machines (parte 1) (16:05)
- Restricted Boltzmann Machines (parte 2) (10:11)
- Training una Restricted Boltzmann Machine (10:41)
- Restricted Boltzmann Machine: Parameters Update (8:05)
- Restricted Boltzmann Machine: Persistent Contrastive Divergence (6:33)
- Restricted Boltzmann Machine Extensions (6:46)
- Esercitazione: Training an RBM (24:33)
- Esercitazione: RBM as a features extractor (13:24)
- Esercitazione: Free Energy formulation of an RBM (12:39)
- Esercitazione: Inference with RBMs (9:40)
Modelli Generativi
- Modelli Generativi Recap (6:55)
- Generative Adversarial Networks (GAN) (10:54)
- Generative Adversarial Networks Training (parte 1) (8:21)
- Generative Adversarial Networks Training (parte 2) (5:59)
- Generative Adversarial Networks Training: Trip & Tricks (10:07)
- The Non-Convergence Problem (4:30)
- Conditional & Deep Convolutional GAN (8:46)
- Esercitazione: Vanilla GANs (9:51)
- Esercitazione: GANs Training (14:53)
- Esercitazione: Conditinal GANs (8:06)
- Esercitazione: Training a Conditional GAN (10:12)
- Esercitazione: Deep Convolutional GANs (5:37)
- Esercitazione: Training a Deep Convolutional GAN (8:51)
Final Project
- Final Project (7:36)
Fabio Valerio Massoli nella sua carriera si è occupato 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.
-
Puoi seguire il corso dove e quando vuoi: Deep Learning, infatti, ti offre l’opportunità di accedere alla piattaforma in qualsiasi momento tu abbia voglia e possibilità di studiare. Basta semplicemente un dispositivo elettronico e una connessione internet!
Troverai sempre materiale nuovo e lezioni aggiornate: i nostri professori ti forniranno moltissimo materiale per supportare i tuoi studi e aggiorneranno periodicamente la piattaforma con nuove slides o con nuovi moduli;
Nei nostri corsi troverai sempre una componente interattiva per stimolare l‘apprendimento: giochi, quiz, podcast e tanto altro ti aiuteranno a migliorare e a rendere la tua formazione unica;
-
Non sarai mai solo! Avrai a disposizione la nostra community per metterti in contatto con altri studenti.
A fine percorso riceverai una certificazione che potrai aggiungere al tuo CV e che ti darà la possibilità di farti notare da grandi aziende del settore;
Se lo vorrai, Deep Learning Italia, ti potrà aiutare a trovare lavoro mettendoti in contatto con le nostre aziende partner.
-
Puoi seguire il corso dove e quando vuoi: Deep Learning, infatti, ti offre l’opportunità di accedere alla piattaforma in qualsiasi momento tu abbia voglia e possibilità di studiare. Basta semplicemente un dispositivo elettronico e una connessione internet!
Troverai sempre materiale nuovo e lezioni aggiornate: i nostri professori ti forniranno moltissimo materiale per supportare i tuoi studi e aggiorneranno periodicamente la piattaforma con nuove slides o con nuovi moduli;
Nei nostri corsi troverai sempre una componente interattiva per stimolare l‘apprendimento: giochi, quiz, podcast e tanto altro ti aiuteranno a migliorare e a rendere la tua formazione unica;
-
Non sarai mai solo! Avrai a disposizione la nostra community per metterti in contatto con altri studenti.
A fine percorso riceverai una certificazione che potrai aggiungere al tuo CV e che ti darà la possibilità di farti notare da grandi aziende del settore;
Se lo vorrai, Deep Learning Italia, ti potrà aiutare a trovare lavoro mettendoti in contatto con le nostre aziende partner.
- Accesso al corso life long
- Accesso al corso life long
