ORIENTATI ALLA PRATICA
POTENZA DI CALCOLO INCLUSA
TUTORING SU OGNI PARTECIPANTE
i nostri corsi
Python base e avanzato
2. Variabili e tipi;
3. Operatori;
4. Strutture dati built-in;
5. Controlli di flusso;
6. File handling;
7. Gli oggetti;
8. Strutture dati user-defined;
9. Librerie principali: numpy, matplotlib, pandas, opencv;
10. Algoritmi e esercitazioni.
Tensorflow/Keras – Pytorch
Questo corso costituisce una guida introduttiva all’utilizzo di queste librerie. Si partirà dal concetto di Tensore fino allo sviluppo e all’addestramento di una Rete Neurale. Ogni libreria verrà descritta tramite esempi e verranno comparate le principali caratteristiche e differenze, quale scegliere a seconda delle applicazioni, i loro pro e contro.
2. Implementazione di Reti Neurali con Tensorflow / Keras;
3. Implementazione di Reti Neurali con PyTorch.
Machine Learning per Marketing
2. Churn Prediction;
3. Customer Lifetime Value (CLV);
4. Customer Segmentation;
5. Reccomendation Systems.
Natural Language Processing da RNN a Transformers
2. Reti Neurali Ricorrenti;
3. Implementazione di una Rete Neurale Ricorrente;
4. Word Embedding;
5. Sequence Model;
6. Rete Neurale Transformer;
7. Bert;
8. T5;
9. Question Answering;
10. Sentiment Detection for Business.
Deploy di modelli di Machine Learning. Un confronto tra i framework Django, FastAPI e Streamlit
Questo corso costituisce una guida ai principali framework utilizzati per il rilascio di modelli di Machine Learning.
Il rilascio di un modello in produzione include diverse componenti e piattaforme. Il corso si focalizza su alcuni dei framework maggiormente utilizzati per lo sviluppo di applicazioni di Machine Learning, quali Streamlit, FastApi e Django. Ogni libreria verrà descritta tramite esempi pratici di varia complessità. Verranno inoltre comparate le principali caratteristiche e differenze delle tre librerie. Infine verrà introdotto l’utilizzo di Docker per containerizzare tali applicazioni.
2. Introduzione a Streamlit;
3. Docker e creazione di un ambiente containerizzato;
4. Creazione di un app tramite Streamlit;
5. Introduzione a FastApi;
6. Creazione di un app tramite FastApi;
7. Introduzione a Django;
8. Creazione di un app tramite Django.
Reti convoluzionali: object detection, recognition, segmentation. Applicazioni in medicina.
2. Costruzione di modelli di Machine Learning con Python;
3. Fondamenti di Teoria della Probabilità.
2. Cosa sono la object detection, recognition e la segmentazione;
3. Detection delle malattie: costruzione di un modello di deep learning per la detection di un tumore;
4. Valutare le performance dei modelli: metriche di valutazione, interpretazione dei risultati;
5. Segmentazione di tomografie: preparazione dei dati 3D, utilizzo di un modello pre-addestrato per la segmentazione di regioni tumorali in immagini 3D del cervello.
Python base
Python avanzato
Corso Deep Learning con TensorFlow, Keras e PyTorch
Machine Learning e Predictive Analytics nel Marketing
Natural Language Processing da RNN a Transformers
Deploy di modelli di Machine Learning: Un confronto tra i framework Django, FastAPI e Streamlit
Reti convoluzionali per la Object Recognition
AI for business: applicazioni e governance
Le recensione sui nostri corsi:
VUOI SAPERNE DI PIù?
Scrivici un messaggio
