Per seguire il modulo Reti Ricorrenti e Serie Temporali sono necessarie competenze preliminari specifiche di Python e Reti Convolutive.
MODULO DIDATTICO
Reti Ricorrenti e Serie Temporali
Studio delle architetture di Deep Learning dedicate all’analisi e al processamento di sequenze di informazioni
LIVELLO
Da Beginner ad Advanced
PREREQUISITI
Python per la ds, Introduzione alle reti convolutive, Deep dive reti convolutive
DURATA TOTALE
5 ore
LEZIONI
100% on demand
PUOI TROVARE
QUESTO MODULO DIDATTICO IN
CORSO
TOP COURSE
Machine Learning Masterclass
Accedi alla Masterclass italiana più avanzata ed aggiornata per acquisire competenze professionali complete su Machine Learning, Deep Learning e Reinforcement Learning e su tanti altri algoritmi che ti permetteranno di applicare queste tecniche in contesti reali.
- DURATA TOTALE:14 settimane
- LIVELLO:Avanzato
- PREREQUISITO:Nessuno
- PROGETTI:12 progetti
- LIVE:12 live con docente
da 179€/mese
Descrizione
Dalle Reti Ricorrenti vanilla ai modelli Transformers, passando in analisi le principali architetture progettate per l’analisi e il processamento di serie temporali di dati. Studio delle architetture Long-Short Term Memory (LSTM) e Gated Recurrent Unit (GRU). Focus sui Meccanismi di Attenzione e sulla Codifica Posizionale tipica delle architetture Transformers e applicazioni in task di Natural Language Processing e Computer-Vision con architetture come Vision Transformers (ViT) e Compact Convolutional Transformers (CCT). Analisi delle archietture Seq-2-Seq e applicazione in contesti di machine-translation con l’applicazione di tecniche di addestramento di Teacher-Forcing.
Elenco lezioni del modulo
- Introduzione alle Reti Neurali Artificiali Ricorrenti
- Esercitazione RNN
- Reti Long-Short Term Memory (LSTM)
- Esercitazione LSTM
- GRU e Bidirectional RNN
- Esercitazione Comparazione di più RNN
- Esercitazione Bidirectional LSTM
- Esercitazione Generazione Testo - char level
- Esercitazione Generazione Testo - word level
- Architettura Seq2Seq
- Esercitazione Machine Translation con Seq2Seq e Teacher Forcing
- Meccanismi di Attenzione
- Transformer
- Esercitazione Softmax
- Esercitazione Transformer