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
- DURATA TOTALE:14 settimane
- LIVELLO:Avanzato
- PREREQUISITO:Nessuno
- PROGETTI:10 progetti
- LIVE:12 live con docente
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
- LIVE
- LIVE