Questo corso, rivolto a tutti coloro che si approcciano per la prima volta alla Data Visualization, ha l'obiettivo di fornire le basi fondamentali utilizzando lo strumento Tableau Desktop. Alla fine del corso sarai in grado di utilizzare le funzionalità principali dello strumento, necessarie a creare reportistiche complete e facili da navigare.
Il corso di QML è ideato per dare una overview pragmatica su questa emergente branca della Computer Science. Partiremo introducendo in modo generale i concetti fondativi di questo ambito di ricerca fino agli esempi di supervised e unsupervised learning, feature selection e imaging, il tutto usando la piattaforma D-Wave Leap.
Nel corso si affrontano i concetti base del quantum computing con approccio teorico e pratico. Il corso è suddiviso in tre parti: nella prima sono descritte le differenze tra informatica classica e quantistica, nella seconda i concetti chiave del quantum computing, e nella terza sono descritti e implementati alcuni algoritmi quantistici.
Il corso ha l’obiettivo di fornire una comprensione del reale con la definizione di nuovi approcci interpretativi e metodologici anche nella gestione degli scenari socio-economico e culturali emergenti. Impareremo il concetto di transizione digitale secondo le categorie di dipendenza, cura e solidarietà, le problematiche sociali, legali ed etiche.
Questo corso introduce i principali approcci del Deep Learning basati su reti neurali profonde per l’analisi di sequenze di dati e di serie temporali. È pensato come un corso di base per imparare a progettare, sviluppare e validare reti neurali dinamiche per affrontare problemi che riguardano sequenze di dati.
Questo corso di computer vision hands-on è pensato per lo studio di applicazioni pronte a essere messe in produzione. Inizieremo con un approccio top-down, partendo perciò dalla parte più teorica per arrivare a costruire un codice funzionante che implementi il modello con l’uso di TensorFlow tra librerie più utilizzate per il DL.
Senza una comprensione profonda si rimane in superficie. Tuttavia in superficie prima o poi si affonda. Per tale motivo, in questo corso capiremo e costruiremo da zero una convoluzione, un layer convoluzionale e infine un intero modello e il suo addestramento. Inizieremo con un approccio minimalista, usando solo librerie standard di Python come NumPy, attraverso cui scriveremo backpropagation e discesa del gradiente in maniera chiara e cristallina. Solo successivamente impareremo e faremo uso di PyTorch, una delle librerie più utilizzate per il Deep Learning. Dopo una breve introduzione alla Teoria dell’Informazione Classica, costruiremo dunque una rete più sofisticata per la classificazione di immagini. Un problema semplice di cui però comprenderemo ogni singolo dettaglio. Addestreremo poi questa rete neurale, imparando a controllare l’overfitting con diverse tecniche, ognuna delle quali sarà analizzata lasciando fuori ogni dubbio. Passeremo poi ad ottimizzare gli iperparametri e a cross-validare il nostro modello come un progetto completo richiede di fare. Il corso è rivolto a chi vuole capire in dettaglio i meccanismi che stanno alla base dei moderni algoritmi di deep learning per la Computer Vision, per chi vuole imparare a costruirsi la propria rete o modificarne una già esistente. Il corso è un primo passo verso corsi più avanzati e reti neurali più sofisticate che sono utilizzate per la risoluzione di problemi concreti.