Self-driving cars, smartphones, search engines... Deep learning is now everywhere. Before you begin building complex models, you will become familiar with PyTorch, a deep learning framework. You will learn how to manipulate tensors, create PyTorch data structures, and build your first neural network in PyTorch with linear layers.

Introduction to deep learning with PyTorch

Getting started with PyTorch tensors

Checking and adding tensors

Neural networks and layers

Linear layer network

Understanding weights

Hidden layers and parameters

Your first neural network

Stacking linear layers

Counting the number of parameters

Introduction to PyTorch, a Deep Learning Library

To train a neural network in PyTorch, you will first need to understand additional components, such as activation and loss functions. You will then realize that training a network requires minimizing that loss function, which is done by calculating gradients. You will learn how to use these gradients to update your model's parameters.


Discovering activation functions

Activate your understanding!

The sigmoid and softmax functions

Running a forward pass

Building a binary classifier in PyTorch

From regression to multi-class classification

Using loss functions to assess model predictions

Creating one-hot encoded labels

Calculating cross entropy loss

Using derivatives to update model parameters

Accessing the model parameters

Updating the weights manually

Using the PyTorch optimizer

Neural Network Architecture and Hyperparameters

Now that you've learned the key components of a neural network, you'll train one using a training loop. You'll explore potential issues like vanishing gradients and learn strategies to address them, such as alternative activation functions and tuning learning rate and momentum.

Approfondiamo il caricamento dei dati

Uso di TensorDataset

Uso di DataLoader

Scrivere il nostro primo ciclo di training

Uso di MSELoss

Scrivere un training loop

Funzioni di attivazione ReLU

Implementare ReLU

Implementare la leaky ReLU

Capire le funzioni di attivazione

Learning rate e momentum

Sperimentare con il learning rate

Sperimentare con il momentum

Training a Neural Network with PyTorch

Training a deep learning model is an art, and to make sure our model is trained correctly, we need to keep track of certain metrics during training, such as the loss or the accuracy. We will learn how to calculate such metrics and how to reduce overfitting.


Layer initialization and transfer learning

Fine-tuning process

Freeze layers of a model

Layer initialization

Evaluating model performance

Writing the evaluation loop

Calculating accuracy using torchmetrics

Fighting overfitting

Experimenting with dropout

Understanding overfitting

Improving model performance

Implementing random search

Wrap-up video

Evaluating and Improving Models

Water Potability

Face Mask Dataset

Course Glossary

Il deep learning è ovunque: dalle fotocamere degli smartphone agli assistenti vocali fino alle auto a guida autonoma. In questo corso scoprirai questa tecnologia potente e imparerai a usarla con PyTorch, una delle librerie di deep learning più diffuse. Alla fine del corso saprai utilizzare PyTorch per risolvere problemi di classificazione e regressione con il deep learning.

I video includono trascrizioni in tempo reale che puoi visualizzare cliccando su "Show transcript" in basso a sinistra nei video.

Il glossario del corso è disponibile a destra nella sezione delle risorse.

Per ottenere i crediti CPE devi completare il corso e raggiungere un punteggio del 70% nella valutazione qualificata. Puoi accedere alla valutazione cliccando sul riquadro dei crediti CPE sulla destra.

<h2>Capire il potere del Deep Learning</h2>
Il deep learning è ovunque: nelle fotocamere degli smartphone, negli assistenti vocali e nelle auto a guida autonoma. Ha persino aiutato a scoprire le strutture delle proteine e a battere gli esseri umani nel gioco del Go. Scopri questa tecnologia super potente e impara a usarla con PyTorch, una delle librerie di deep learning più famose.<br><br>
<h2>Allena la tua prima rete neurale</h2>Prima di tutto, vediamo la differenza tra deep learning e il "classico" machine learning. Imparerai come funziona l'addestramento di una rete neurale e come scrivere un ciclo di addestramento. Per farlo, creerai delle funzioni di perdita per i problemi di regressione e classificazione e userai PyTorch per calcolarne le derivate.<br><br><h2>Dai un'occhiata al tuo modello e vedi se puoi migliorarlo.</h2>Nella seconda parte, scoprirai i vari iperparametri che puoi sistemare per migliorare il tuo modello. Dopo aver capito come funzionano le diverse parti di una rete neurale, potrai creare architetture più grandi e complesse. Per vedere come va il tuo modello, userai TorchMetrics, una libreria PyTorch per valutare i modelli. <br><br>Una volta finito, potrai usare PyTorch per risolvere problemi di classificazione e regressione su dati tabulari e immagini usando il deep learning. Una competenza fondamentale per i professionisti esperti nel campo dei dati che vogliono dare una spinta alla loro carriera.

Supervised Learning with scikit-learn

Introduction to NumPy

Python Toolbox

Impara a creare la tua prima rete neurale, regolare iperparametri e risolvere problemi in PyTorch.

Introduzione al Deep Learning con PyTorch

Impara a creare la tua prima rete neurale, a regolare gli iperparametri e ad affrontare problemi di classificazione e regressione in PyTorch.

Ingegnere AI associato per scienziati dei dati

Apprendimento profondo in Python

Fondamenti di apprendimento automatico in Python

Scienziato specializzato in apprendimento automatico in Python

Capire le funzioni di attivazione

Introduzione al Deep Learning con PyTorch

Esercizio pratico interattivo