Rivoluziona il settore tecnologico grazie a questo Master in Deep Learning"

La rapida evoluzione tecnologica degli ultimi anni ha permesso di accorciare le distanze che ci separano dall’avvento dei veicoli a guida automatica, dalla diagnosi precoce di malattie gravi mediante dispositivi di imaging ad alta precisione o dal riconoscimento facciale tramite app mobili. Queste innovazioni emergenti cercano quindi di migliorare la precisione degli automatismi e la qualità dei risultati ottenuti.

Uno scenario in cui gioca un ruolo determinante il professionista dell'informatica che deve possedere un'approfondita conoscenza del Deep Learning, in grado inoltre di progredire in questo settore per poter creare autentici elementi di Intelligenza Artificiale. Motivo per cui TECH ha creato questo Master di 12 mesi che si avvale del programma più aggiornato, realizzato da veri esperti in questo campo.

Un programma con una prospettiva teorico-pratica che consentirà agli studenti di acquisire un apprendimento intensivo sui fondamenti matematici, la costruzione di reti neurali, la personalizzazione dei modelli e il training con TensorFlow. Un insieme di contenuti che potrà essere assimilato facilmente grazie ai video riassuntivi di ogni argomento, ai video in focus, alle letture specializzate e ai casi di studio. Inoltre, con il sistema Relearning impiegato da TECH, l'informatico progredirà in modo più naturale nel corso del programma, ribadendo in maniera più semplice i nuovi concetti, riducendo così le lunghe ore di studio.

Un insegnamento universitario che pone l'accento sulla conoscenza e che farà crescere professionalmente lo studente, grazie a un'opzione accademica di primo livello compatibile con le sue attività quotidiane. Infatti, per accedere in qualsiasi momento a questa qualifica all'avanguardia accademica, basta un dispositivo digitale con connessione internet.

Ottieni il successo con i tuoi progetti di IA in settori come l'automotive, la finanza o il medico grazie all'insegnamento fornito da TECH"

Questo Master in Deep Learning possiede il programma più completo e aggiornato del mercato. Le caratteristiche principali del programma sono:

• Sviluppo di casi di studio presentati da esperti in Data Engineer e Database Scientist
• Contenuti grafici, schematici ed eminentemente pratici che forniscono informazioni scientifiche e pratiche sulle discipline essenziali per l’esercizio della professione
• Esercizi pratici che offrono un processo di autovalutazione per migliorare l'apprendimento
• Speciale enfasi sulle metodologie innovative
• Lezioni teoriche, domande all'esperto, forum di discussione su questioni controverse e compiti di riflessione individuale
• Contenuti disponibili da qualsiasi dispositivo fisso o mobile dotato di connessione a internet

Esplora le librerie di Hugging Face Transformer e altri strumenti di elaborazione del linguaggio naturale da applicare ai problemi di vista"

Il personale docente del programma comprende rinomati esperti del settore, nonché riconosciuti specialisti appartenenti a società scientifiche e università prestigiose, che forniscono agli studenti le competenze necessarie a intraprendere un percorso di studio eccellente.

I contenuti multimediali, sviluppati in base alle ultime tecnologie educative, forniranno al professionista un apprendimento coinvolgente e localizzato, ovvero inserito in un contesto reale.

La creazione di questo programma è incentrata sull’Apprendimento Basato su Problemi, mediante il quale lo specialista deve cercare di risolvere le diverse situazioni che gli si presentano durante il corso. Lo studente potrà usufruire di un innovativo sistema di video interattivi creati da esperti di rinomata fama.

Avrai a disposizione un programma avanzato sul Deep Learning 24 ore su 24, da qualsiasi dispositivo digitale dotato di connessione a Internet"

Un Master della durata di 12 mesi che si avvale di tecniche di apprendimento profondo basate su problemi reali"

Il piano di studi di questa qualifica universitaria consentirà agli studenti di intraprendere un percorso accademico che abbraccia i fondamenti matematici del Deep Learning, i suoi principi, il training di reti neurali profonde, la visualizzazione dei risultati e la valutazione dei modelli di apprendimento approfondito. Contenuti esaustivi, completato da numerose risorse didattiche innovative che compongono la Biblioteca Virtuale di questo programma.

Grazie al sistema Relearning dirai addio alle lunghe ore di studio e conoscerai una metodologia di apprendimento molto più efficace e semplice"

Modulo 1. Fondamenti matematici del Deep Learning

1.1. Funzioni e Derivate

1.1.1. Funzioni lineari
1.1.2. Derivata parziale
1.1.3. Derivate di ordine superiore

1.2. Funzioni annidate

1.2.1. Funzioni composite
1.2.2. Funzioni inverse
1.2.3. Funzioni ricorsive

1.3. La regola della catena

1.3.1. Derivate di funzioni annidate
1.3.2. Derivati di funzioni composte
1.3.3. Derivate di funzioni inverse

1.4. Funzioni a ingressi multipli

1.4.1. Funzioni a più variabili
1.4.2. Funzioni vettoriali
1.4.3. Funzioni a matrice

1.5. Derivate da funzioni con ingressi multipli

1.5.1. Derivate parziali
1.5.2. Derivate direzionali
1.5.3. Derivate miste

1.6. Funzioni a ingressi multipli vettoriali

1.6.1. Funzioni vettoriali lineari
1.6.2. Funzioni vettoriali non lineari
1.6.3. Funzioni vettoriali a matrice

1.7. Creazione di nuove funzioni da funzioni esistenti

1.7.1. Somma delle funzioni
1.7.2. Prodotto delle funzioni
1.7.3. Composizione delle funzioni

1.8. Derivate di funzioni a ingressi multipli vettoriali

1.8.1. Derivate di funzioni lineari
1.8.2. Derivate di funzioni non lineari
1.8.3. Derivati di funzioni composte

1.9. Funzioni vettoriali e loro derivate: un passo oltre

1.9.1. Derivate direzionali
1.9.2. Derivate miste
1.9.3. Derivate matriciali

1.10. Il Backward Pass

1.10.1. Propagazione degli errori
1.10.2. Applicazione delle regole di aggiornamento
1.10.3. Ottimizzazione dei parametri

Modulo 2. Principi di Deep Learning

2.1. Apprendimento supervisionato

2.1.1. Macchine ad apprendimento supervisionato
2.1.2. Usi dell'apprendimento supervisionato
2.1.3. Differenze tra apprendimento supervisionato e non supervisionato

2.2. Modelli ad apprendimento supervisionato

2.2.1. Modelli lineari
2.2.2. Modelli ad alberi decisionali
2.2.3. Modelli di reti neurali

2.3. Regressione lineare

2.3.1. Regressione lineare semplice
2.3.2. Regressione lineare multipla
2.3.3. Analisi di regressione

2.4. Training del modello

2.4.1. Batch Learning
2.4.2. Online Learning
2.4.3. Metodi di ottimizzazione

2.5. Valutazione del modello di modello: Set di training contro set di test

2.5.1. Metriche di valutazione
2.5.2. Convalida incrociata
2.5.3. Confronto dei set di dati

2.6. Valutazione del modello di modello: Il codice

2.6.1. Generazione di previsioni
2.6.2. Analisi degli errori
2.6.3. Metriche di valutazione

2.7. Analisi delle variabili

2.7.1. Identificazione delle variabili rilevanti
2.7.2. Analisi di correlazione
2.7.3. Analisi di regressione

2.8. Spiegabilità dei modelli di reti neurali

2.8.1. Modelli interpretabili
2.8.2. Metodi di visualizzazione
2.8.3. Metodi di valutazione

2.9. Ottimizzazione

2.9.1. Metodi di ottimizzazione
2.9.2. Tecniche di regolarizzazione
2.9.3. L'uso di grafici

2.10. Iperparametri 

2.10.1. Selezione degli iperparametri
2.10.2. Ricerca di parametri
2.10.3. Regolazione degli iperparametri

Modulo 3. Le reti neurali, base del Deep Learning

3.1. Apprendimento profondo

3.1.1. Tipi di apprendimento profondo
3.1.2. Applicazioni di apprendimento profondo
3.1.3. Vantaggi e svantaggi dell'apprendimento profondo

3.2. Operazioni

3.2.1. Somma
3.2.2. Prodotto
3.2.3. Trasporto

3.3. Livelli

3.3.1. Livello di input
3.3.2. Livello nascosto
3.3.3. Livello di output

3.4. Unione di livelli e operazioni

3.4.1. Progettazione dell’architettura
3.4.2. Connessione tra i livelli
3.4.3. Propagazione in avanti

3.5. Costruzione della prima rete neurale

3.5.1. Progettazione della rete
3.5.2. Impostare i pesi
3.5.3. Training della rete

3.6. Trainer e ottimizzatore

3.6.1. Selezione dell'ottimizzatore
3.6.2. Ristabilire una funzione di perdita
3.6.3. Ristabilire una metrica

3.7. Applicazione dei Principi delle Reti Neurali

3.7.1. Funzioni di attivazione
3.7.2. Propagazione all'indietro
3.7.3. Regolazioni dei parametri

3.8. Dai neuroni biologici a quelli artificiali

3.8.1. Funzionamento di un neurone biologico
3.8.2. Trasferimento della conoscenza ai neuroni artificiali
3.8.3. Stabilire relazioni tra di essi

3.9. Implementazione di MLP (Perceptron multistrato) con Keras

3.9.1. Definizione della struttura di reti
3.9.2. Creazione del modello
3.9.3. Training del modello

3.10. Iperparametri di Fine tuning di Reti Neurali

3.10.1. Selezione della funzione di attivazione
3.10.2. Stabilire il learning rate
3.10.3. Regolazioni dei pesi

Modulo 4. Allenamento delle Reti Neurali Profonde

4.1. Problemi di Gradienti

4.1.1. Tecniche di ottimizzazione di gradiente
4.1.2. Gradienti Stocastici
4.1.3. Tecniche di inizializzazione dei pesi

4.2. Riutilizzazione di strati pre-training

4.2.1. Formazione di trasferimento di apprendimento
4.2.2. Estrazione delle caratteristiche
4.2.3. Apprendimento profondo

4.3. Ottimizzatori

4.3.1. Ottimizzatori di discesa del gradiente stocastico
4.3.2. Ottimizzatori Adam e RMSprop
4.3.3. Ottimizzatori del momento

4.4. Programmazione del tasso di apprendimento

4.4.1. Controllo del livello di apprendimento automatico
4.4.2. Cicli di apprendimento
4.4.3. Termini di ammorbidimento

4.5. Overfitting

4.5.1. Convalida incrociata
4.5.2. Regolarizzazione
4.5.3. Metriche di valutazione

4.6. Linee guida pratiche

4.6.1. Progettazione di modelli
4.6.2. Selezione delle metriche e dei parametri di valutazione
4.6.3. Test di ipotesi

4.7. Transfer Learning

4.7.1. Formazione di trasferimento di apprendimento
4.7.2. Estrazione delle caratteristiche
4.7.3. Apprendimento profondo

4.8. Data Augmentation

4.8.1. Trasformazioni di immagine
4.8.2. Generazione di dati sintetici
4.8.3. Trasformazione di testo

4.9. Applicazione pratica di Transfer Learning

4.9.1. Formazione di trasferimento di apprendimento
4.9.2. Estrazione delle caratteristiche
4.9.3. Apprendimento profondo

4.10. Regolarizzazione

4.10.1. L1 e L2
4.10.2. Regolarizzazione per massima entropia
4.10.3. Dropout

Modulo 5. Personalizzazione di modelli e allenamenti con TensorFlow

5.1. TensorFlow

5.1.1. Utilizzo della libreria TensorFlow
5.1.2. Training dei modelli con TensorFlow
5.1.3. Operazioni grafiche su TensorFlow

5.2. TensorFlow e NumPy

5.2.1. Ambiente computazionale NumPy per TensorFlow
5.2.2. Utilizzo degli array NumPy con TensorFlow
5.2.3. Operazioni NumPy per i grafici di TensorFlow

5.3. Personalizzazione di modelli e algoritmi di allenamento

5.3.1. Costruire modelli personalizzati con TensorFlow
5.3.2. Gestione dei parametri di training
5.3.3. Utilizzo di tecniche di ottimizzazione per il training

5.4. Funzioni e grafica di TensorFlow

5.4.1. Funzioni con TensorFlow
5.4.2. Utilizzo di grafici per il training dei modelli
5.4.3. Ottimizzazione dei grafici con le operazioni di TensorFlow

5.5. Caricamento e pre-elaborazione dei dati con TensorFlow

5.5.1. Caricamento di insiemi di dati con TensorFlow
5.5.2. Pre-elaborazione dei dati con TensorFlow
5.5.3. Utilizzo di strumenti di TensorFlow per la manipolazione dei dati

5.6. La API tf.data

5.6.1. Utilizzo dell'API tf.data per il trattamento dei dati
5.6.2. Costruzione di flussi di dati con tf.data
5.6.3. Uso dell'API tf.data per il training dei modelli

5.7. Il formato TFRecord

5.7.1. Utilizzo dell'API tf.data per la serialità dei dati
5.7.2. Caricamento di file TFRecord con TensorFlow
5.7.3. Utilizzo di file TFRecord per il training dei modelli

5.8. Livelli di pre-elaborazione di Keras

5.8.1. Utilizzo dell'API di pre-elaborazione Keras
5.8.2. Costruzione di pipeline di pre-elaborazione con Keras
5.8.3. Uso dell'API nella pre-elaborazione di Keras per il training dei modelli

5.9. Il progetto TensorFlow Datasets

5.9.1. Utilizzo di TensorFlow Datasets per la serialità dei dati
5.9.2. Pre-elaborazione dei dati con TensorFlow Datasets
5.9.3. Uso di TensorFlow Datasets per il training dei modelli

5.10. Costruire un'applicazione di Deep Learning con TensorFlow. Applicazione pratica

5.10.1. Costruire un'applicazione di Deep Learning con TensorFlow
5.10.2. Training dei modelli con TensorFlow
5.10.3. Utilizzo dell'applicazione per la previsione dei risultati

Modulo 6. Deep Computer Vision con Reti Neurali Convoluzionali

6.1. L'architettura Visual Cortex

6.1.1. Funzioni della corteccia visiva
6.1.2. Teoria della visione computazionale
6.1.3. Modelli di elaborazione delle immagini

6.2. Layer convoluzionali

6.2.1. Riutilizzazione dei pesi nella convoluzione
6.2.2. Convoluzione
6.2.3. Funzioni di attivazione

6.3. Livelli di raggruppamento e distribuzione dei livelli di raggruppamento con Keras

6.3.1. Pooling e Striding
6.3.2. Flattening
6.3.3. Tipi di Pooling

6.4. Architetture CNN

6.4.1. Architettura VGG
6.4.2. Architettura AlexNet
6.4.3. Architettura ResNet

6.5. Implementazione di una CNN ResNet-34 utilizzando Keras

6.5.1. Inizializzazione dei pesi
6.5.2. Definizione del livello di ingresso
6.5.3. Definizione delle uscite

6.6. Uso di modelli pre-training di Keras

6.6.1. Caratteristiche dei modelli pre-training
6.6.2. Usi dei modelli pre-training
6.6.3. Vantaggi dei modelli pre-training

6.7. Modelli pre-training per l'apprendimento tramite trasferimento

6.7.1. L'apprendimento attraverso il trasferimento
6.7.2. Processo di apprendimento per trasferimento
6.7.3. Vantaggi dell’apprendimento per trasferimento

6.8. Classificazione e localizzazione in Deep Computer Vision

6.8.1. Classificazione di immagini
6.8.2. Localizzazione di oggetti nelle immagini
6.8.3. Rilevamento di oggetti

6.9. Rilevamento di oggetti e tracciamento degli oggetti

6.9.1. Metodi di rilevamento degli oggetti
6.9.2. Algoritmi di tracciamento degli oggetti
6.9.3. Tecniche di tracciamento e localizzazione

6.10. Segmentazione semantica

6.10.1. Deep Learning con segmentazione semantica
6.10.2. Rilevamento dei bordi
6.10.3. Metodi di segmentazione basati su regole

Modulo 7. Sequenze di elaborazione utilizzando RNN (reti neurali ricorrenti) e CNN (reti neurali convoluzionali)

7.1. Neuroni e livelli ricorrenti

7.1.1. Tipi di reti neuronali ricorrenti
7.1.2. Architettura di un livello ricorrente
7.1.3. Applicazioni dei livelli ricorrenti

7.2. Training di Rete Neurale Ricorrente (RNN)

7.2.1. Backpropagation nel corso del tempo (BPTT)
7.2.2. Gradiente stocastico verso il basso
7.2.3. Regolarizzazione nel training di RNN

7.3. Valutazione dei modelli RNN

7.3.1. Metriche di valutazione
7.3.2. Convalida incrociata
7.3.3. Regolazione degli iperparametri

7.4. RNN pre-addestrate

7.4.1. Reti pre-addestrate
7.4.2. Trasferimento di apprendimento
7.4.3. Regolazione fine

7.5. Previsione di una serie temporale

7.5.1. Modelli statistici per le previsioni
7.5.2. Modelli di serie temporali
7.5.3. Modelli basati sulle reti neurali

7.6. Interpretazione dei risultati dell'analisi si serie temporali

7.6.1. Analisi delle componenti principali
7.6.2. Analisi cluster
7.6.3. Analisi di correlazione

7.7. Gestione di sequenze lunghe

7.7.1. Long Short-Term Memory (LSTM)
7.7.2. Gated Recurrent Units (GRU)
7.7.3. Convoluzionali 1D

7.8. Apprendimento in sequenza parziale

7.8.1. Metodi di apprendimento profondo
7.8.2. Modelli generativi
7.8.3. Apprendimento di rinforzo

7.9. Applicazione pratica di RNN e CNN

7.9.1. Elaborazione di linguaggio naturale
7.9.2. Riconoscimento di pattern
7.9.3. Visione Artificiale

7.10. Differenze nei risultati classici

7.10.1. Metodi classici e RNN
7.10.2. Metodi classici e CNN
7.10.3. Differenza nel tempo di training

Modulo 8. Elaborazione del linguaggio naturale (NLP) con reti naturali ricorrenti (RNN) e attenzione

8.1. Generazione di testo utilizzando RNN

8.1.1. Training di una RNN per la generazione di testo
8.1.2. Generazione di linguaggio naturale con RNN
8.1.3. Applicazioni di generazione di testo con RNN

8.2. Creazione del set di dati di allenamento

8.2.1. Preparazione dei dati per il training di una RNN
8.2.2. Conservazione del set di dati di training
8.2.3. Pulizia e trasformazione dei dati

8.3. Analisi di Sentimento

8.3.1. Classificazione delle opinioni con RNN
8.3.2. Rilevamento degli argomenti nei commenti
8.3.3. Analisi dei sentimenti con algoritmi di deep learning

8.4. Rete encoder-decoder per eseguire la traduzione automatica neurale

8.4.1. Training di una RNN per eseguire la traduzione automatica
8.4.2. Utilizzo di una rete encoder-decoder per la traduzione automatica
8.4.3. Migliore precisione della traduzione automatica con RNN

8.5. Meccanismi di attenzione

8.5.1. Attuazione di meccanismi di assistenza in RNN
8.5.2. Utilizzo di meccanismi di assistenza per migliorare la precisione dei modelli
8.5.3. Vantaggi dei meccanismi di assistenza nelle reti neurali

8.6. Modelli Transformers

8.6.1. Utilizzo dei modelli Transformers per l'elaborazione del linguaggio naturale
8.6.2. Applicazione dei modelli Transformers per la visione
8.6.3. Vantaggi dei modelli Transformers

8.7. Transformers per la visione

8.7.1. Uso dei modelli Transformers per la visione
8.7.2. Elaborazione dei dati di immagine
8.7.3. Allenamento dei modelli Transformers per la visione

8.8. Libreria di Transformers di Hugging Face

8.8.1. Uso della Libreria di Transformers di Hugging Face
8.8.2. Applicazione della Libreria di Transformers di Hugging Face
8.8.3. Vantaggi della libreria di Transformers di Hugging Face

8.9. Altre Librerie di Transformers. Confronto

8.9.1. Confronto tra le diverse librerie di Transformers
8.9.2. Uso di altre librerie di Transformers
8.9.3. Vantaggi delle altre librerie di Transformers

8.10. Sviluppo di un'applicazione NLP con RNN e Assistenza. Applicazione pratica

8.10.1. Sviluppare di un'applicazione di elaborazione di linguaggio naturale con RNN e attenzione
8.10.2. Utilizzo di RNN, meccanismi di attenzione e modelli Transformers nell'applicazione
8.10.3. Valutazione dell'attuazione pratica

Modulo 9. Auto-sensori, GPS e modelli di diffusione

9.1. Rappresentazione dei dati efficienti

9.1.1. Riduzione della dimensionalità
9.1.2. Apprendimento profondo
9.1.3. Rappresentazioni compatte

9.2. Realizzazione di PCA con un encoder automatico lineare incompleto

9.2.1. Processo di training
9.2.2. Implementazione in Python
9.2.3. Uso dei dati di prova

9.3. Codificatori automatici raggruppati

9.3.1. Reti neuronali profonde
9.3.2. Costruzione di architetture di codifica
9.3.3. Uso della regolarizzazione

9.4. Autocodificatori convoluzionali

9.4.1. Progettazione di modelli convoluzionali
9.4.2. Allenamento di modelli convoluzionali
9.4.3. Valutazione dei risultati

9.5. Eliminazione del rumore dei codificatori automatici

9.5.1. Applicare filtro
9.5.2. Progettazione di modelli di codificazione
9.5.3. Uso di tecniche di regolarizzazione

9.6. Codificatori automatici dispersi

9.6.1. Aumentare l'efficienza della codifica
9.6.2. Ridurre al minimo il numero di parametri
9.6.3. Uso di tecniche di regolarizzazione

9.7. Codificatori automatici variazionali

9.7.1. Utilizzo dell’ottimizzazione variazionale
9.7.2. Apprendimento profondo non supervisionato
9.7.3. Rappresentazioni latenti profonde

9.8. Creazione di immagini MNIST di moda

9.8.1. Riconoscimento di pattern
9.8.2. Creazione di immagini
9.8.3. Training delle Reti Neuronali Profonde

9.9. Reti generative avversarie e modelli di diffusione

9.9.1. Generazione di contenuti da immagini
9.9.2. Modello di distribuzione dei dati
9.9.3. Uso di reti avversarie

9.10. L'implementazione dei modelli. Applicazione pratica

9.10.1. L'implementazione dei modelli
9.10.2. Utilizzo di dati reali
9.10.3. Valutazione dei risultati

Modulo 10. Reinforcement Learning

10.1. Ottimizzazione delle ricompense e ricerca delle policy

10.1.1. Algoritmi di ottimizzazione delle ricompense
10.1.2. Processi di ricerca delle politiche
10.1.3. Apprendimento per rinforzo per ottimizzare i premi

10.2. OpenAI

10.2.1. Ambiente OpenAI Gym
10.2.2. Creazione delle ambientazioni OpenAI
10.2.3. Algoritmi di apprendimento di rinforzo in OpenAI

10.3. Politiche di reti neurali

10.3.1. Reti neurali convoluzionali per la ricerca di politiche
10.3.2. Politiche di apprendimento profondo
10.3.3. Ampliamento delle politiche di reti neurali

10.4. Valutazione delle azioni: il problema dell'assegnazione dei crediti

10.4.1. Analisi dei rischi per l'assegnazione dei crediti
10.4.2. Stima della redditività dei prestiti
10.4.3. Modelli di valutazione dei crediti basati su reti neurali

10.5. Gradienti di Politica

10.5.1. Apprendimento per rinforzo con gradienti politici
10.5.2. Ottimizzazione dei gradienti delle politiche
10.5.3. Algoritmi dei gradienti delle politiche

10.6. Processo decisionale di Markov

10.6.1. Ottimizzazione dei processi decisionali di Markov
10.6.2. Apprendimento per rinforzo per i processi decisionali di Markov
10.6.3. Modelli dei processi decisionali di Markov

10.7. Apprendimento delle differenze temporanee e Q-Learning

10.7.1. Applicazione delle differenze temporanee nell'apprendimento
10.7.2. Applicazione di Q-Learning nell'apprendimento
10.7.3. Ottimizzazione dei parametri di Q-Learning

10.8. Implementare Deep Q-Learning e varianti di Deep Q-Learning

10.8.1. Costruzione di reti neurali profonde per Deep Q-Learning
10.8.2. Implementazione di Deep Q- Learning
10.8.3. Variazioni di Deep Q- Learning

10.9. Algoritmi di Reinforment Learning

10.9.1. Algoritmi di apprendimento di rinforzo
10.9.2. Algoritmi di apprendimento di ricompensa
10.9.3. Algoritmi di apprendimento di castigo

10.10. Progettazione di un ambiente di apprendimento di rinforzo. Applicazione pratica

10.10.1. Progettazione di un ambiente di apprendimento di rinforzo
10.10.2. Implementazione di un algoritmo di apprendimento di rinforzo
10.10.3. Valutazione di un algoritmo di apprendimento di rinforzo

Specializzati nel training, nella valutazione e nell'analisi dei modelli di reti neurali grazie a questa qualifica universitaria”