Nozioni fondamentali su PyTorch

Principiante
Intermedio
Data scientist
Sviluppatore
Studente
Azure Machine Learning

Concetti fondamentali sul Deep Learning con PyTorch. Questo percorso di apprendimento per principianti introdurrà i concetti chiave per la creazione di modelli di Machine Learning in più domini, tra cui il parlato, la visione e l'elaborazione del linguaggio naturale.

Prerequisiti

  • Conoscenze base di Python
  • Conoscenza di base della modalità di utilizzo di Jupyter Notebook
  • Conoscenza di base di Machine Learning

Moduli in questo percorso di apprendimento

Imparare i concetti chiave alla base della creazione di modelli di Machine Learning con PyTorch. Eseguiremo il training di un modello di rete neurale che riconosce e classifica le immagini.

Verranno fornite informazioni su diverse attività di visione artificiale con particolare attenzione alla classificazione delle immagini, imparando a usare le reti neurali per classificare le cifre scritte a mano, nonché alcune immagini reali, ad esempio fotografie di gatti e cani. Verrà usato uno dei framework di Deep Learning più diffusi, PyTorch.

In questo modulo verranno esaminate diverse architetture di rete neurale per gestire i testi in linguaggio naturale. Negli ultimi anni, l'elaborazione del linguaggio naturale ha registrato una rapida crescita, principalmente a causa delle prestazioni con cui i modelli linguistici sono in grado di "comprendere" con precisione il linguaggio umano più rapidamente durante l'uso di training non supervisionato su corpus di testo di grandi dimensioni. Verranno presentate diverse tecniche di elaborazione del linguaggio naturale, tra cui l'uso di rappresentazioni Bag-of-Words (BoW), l'incorporamento di parole e le reti neurali ricorrenti, per classificare il testo di titoli di notizie in base a una delle 4 categorie (mondo, sport, aziende e scienza/tecnologia).

In questo modulo di Learn si apprenderà come eseguire la classificazione audio con PyTorch. Sarà possibile raccogliere ulteriori informazioni sulle funzionalità dei dati audio e su come trasformare i segnali audio in una rappresentazione visiva denominata spettrogramma. Si vedrà quindi come creare il modello applicando la visione artificiale alle immagini dello spettrogramma. È proprio vero: si può trasformare l'audio in formato immagine e quindi usare la visione artificiale per classificare le parole pronunciate.