Aumenta il tuo livello di conoscenza del Deep Learning con questo Master privato di 1.500 ore di insegnamento.Iscriviti subito"

Senza dubbio uno dei settori in più rapida crescita negli ultimi anni è stato quello della tecnologia, trainato dai progressi ingegneristici apportati dallo sviluppo del Deep Learning. Si moltiplicano quindi i Chatbot, le applicazioni di riconoscimento facciale, la diagnosi precoce di malattie come il cancro attraverso l'identificazione di immagini mediche di qualità superiore. 

Una miriade di possibilità che richiedono una padronanza esaustiva del Deep Learning  da parte di professionisti dell'ingegneria. In questo senso, TECH ha promosso lo sviluppo di questo Master Privato di 12 mesi, che fornisce agli studenti le conoscenze più avanzate e attuali in questo campo.

Questo programma porterà lo studente ad approfondire le basi matematiche, la costruzione di reti neurali, la personalizzazione dei modelli e l'addestramento con TensorFlow o ad approfondire il Deep Computer Vision con le Reti Neurali Convoluzionali. A tal fine, si disporrà di materiali didattici basati su video riassuntivi di ogni argomento, video di approfondimento, letture specialistiche e casi di studio accessibili comodamente, in ogni momento da qualsiasi dispositivo elettronico dotato di connessione internet.

Un programma che permetterà di migliorare le proprie competenze per creare progetti incentrati sull'analisi dei dati, sull'elaborazione del linguaggio naturale o che abbiano un'applicazione diretta in settori come la robotica, la finanza, il Gaming, le auto a guida autonoma, ecc.

In questo modo, TECH  fornisce molte possibilità grazie a una qualifica universitaria di qualità, sviluppata da veri esperti e che offre una maggiore libertà di autogestione degli studi. Il tutto, senza dover frequentare le lezioni di persona o con orari ristretti, gli studenti possono accedere al programma di studio in qualsiasi momento e conciliare le loro attività quotidiane con una specializzazione all'avanguardia nel mondo accademico.

Si tratta di una qualifica universitaria che ti darà lo slancio necessario in modo da poter far parte delle grandi aziende tecnologiche del momento. Iscriviti subito”

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

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

Con questo programma non dovrai preoccuparti di frequentare le lezioni, non dovrai recarti in classe e né rispettare un orario fisso. Accedi al programma quando e dove vuoi”

Il personale docente del programma comprende prestigiosi professionisti del settore, 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 sui Problemi, mediante il quale il professionista deve cercare di risolvere le diverse situazioni di pratica professionale che gli si presentano durante il corso. Lo studente potrà usufruire di un innovativo sistema di video interattivi creati da esperti di rinomata fama.

Padroneggia i modelli GANS e di diffusione, e migliora i tuoi progetti per generare immagini nuove, realistiche e di alta qualità"

Un programma che ti permetterà di approfondire Backward Pass e come vengono applicate le derivate delle funzioni vettoriali per l'apprendimento automatico"

Grazie al metodo del Relearning, basato sulla continua ripetizione dei concetti chiave durante tutto il percorso accademico, l'ingegnere otterrà un apprendimento avanzato ed efficace, senza dover investire grandi quantità di ore di studio. In questo modo, potrai approfondire un piano di studi completo sulla codifica dei modelli di Deep Learning, sulle tecniche di ottimizzazione avanzate, sull'addestramento delle reti neurali profonde, sulla visualizzazione dei risultati e sulla valutazione dei modelli di Deep Learning.

Accedi dal tuo dispositivo digitale con connessione internet al programma sul Deep Learning più avanzato e aggiornato del panorama accademico"

Modulo 1. Fondamenti Matematici di Deep Learning

1.1. Funzioni e Derivate

1.1.1. Funzioni lineari
1.1.2. Derivate parziali
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. Derivate di funzioni composte
1.3.3. Derivate di funzioni inverse

1.4. Funzioni a ingressi multipli

1.4.1. Funzioni di 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. Derivate di funzioni compost

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 di 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 di 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. Addestramento 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 addestramento vs 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. Modello interpretativo
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. Deep Learning

3.1.1. Tipi di deep learning
3.1.2. Applicazioni del deep learning
3.1.3. Vantaggi e svantaggi del deep learning

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. Addestramento della rete

3.6. Addestratore 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. Addestramento 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. Addestramento delle Reti Neurali Profonde

4.1. Problemi con Gradienti

4.1.1. Tecniche di ottimizzazione del gradiente
4.1.2. Gradiente Stocastico
4.1.3. Tecniche di inizializzazione del peso

4.2. Riutilizzo di livelli pre-addestrati

4.2.1. Addestramento del trasferimento dell'apprendimento 
4.2.2. Estrazione delle caratteristiche
4.2.3. Apprendimento profondo

4.3. Ottimizzatori

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

4.4. Programmazione del tasso di apprendimento

4.4.1. Controllo automatico del tasso di apprendimento
4.4.2. Cicli di apprendimento
4.4.3. Termini di appianamento 

4.5. Regolazione eccessiva

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 di metriche e parametri di valutazione
4.6.3. Test di ipotesi

4.7. Transfer learning

4.7.1. Addestramento del trasferimento dell'apprendimento 
4.7.2. Estrazione delle caratteristiche
4.7.3. Apprendimento profondo

4.8. Data Augmentation

4.8.1. Trasformazione di immagini
4.8.2. Generazione di dati sintetici
4.8.3. Trasformazione di testi

4.9. Applicazione pratica di Transfer Learning

4.9.1. Addestramento del trasferimento dell'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 a entropia massima
4.10.3. Dropout

Modulo 5. Personalizzazione di Modelli e addestramento con TensorFlow

5.1. TensorFlow

5.1.1. Utilizzo della libreria TensorFlow
5.1.2. Addestramento 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 addestramento
5.3.3. Utilizzo di tecniche di ottimizzazione per l’addestramento

5.4. Funzioni e grafica di TensorFlow

5.4.1. Funzioni con TensorFlow
5.4.2. Utilizzo di grafici per l’addestramento 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 l’addestramento 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 l’addestramento 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 l’addestramento 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 l’addestramento 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 2D
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-addestrati di Keras

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

6.7. Modelli pre-addestrati 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 nell’addestramento 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 su reti neurali

7.6. Interpretazione dei risultati dell'analisi si serie temporali

7.6.1. Analisi delle componenti principali
7.6.2. Analisi di 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. Metodi classici e CNN

Modulo 8. Elaborazione del Linguaggio Naturale (NLP) con Reti Neurali Ricorrenti (RNN) e Assistenza

8.1. Generazione di testo utilizzando RNN

8.1.1. Addestramento 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 addestramento

8.2.1. Preparazione dei dati per l’addestramento di una RNN
8.2.2. Conservazione del set di dati di addestramento
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 assistenza

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. Addestramento dei modelli Transformer per la visione

8.8. Libreria di Transformer di Hugging Face

8.8.1. Uso della Libreria di Transformer di Hugging Face
8.8.2. Applicazione della Libreria di Transformer 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 assistenza
8.10.2. Utilizzo di RNN, meccanismi di assistenza e modelli Transformers nell'applicazione
8.10.3. Valutazione dell'attuazione pratica

Modulo 9. Autoencoder, GANs, 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 addestramento
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. Addestramento 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. Addestramento delle Reti Neurali 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 dei dati di prova
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. Implementazione del 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 per 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

Un'esperienza educativa unica, cruciale e decisiva per crescere professio nalmente"