NVIDIA
Deep Learning Institute

Scopri i fondamenti del deep learning addestrando reti neurali e utilizzando i risultati per migliorare prestazioni e funzionalità.

In questo corso, scoprirai le basi del deep learning attraverso la formazione e la distribuzione di reti neurali. Obiettivi del corso:

• Implementazione di flussi di lavoro comuni di deep learning, come classificazione di immagini e rilevamento di oggetti
• Esperimenti con dati, parametri di training, strutturazione della rete e altre strategie per migliorare le prestazioni e le capacità
• Distribuzione di reti neurali per iniziare a risolvere problemi reali

Al termine del corso, sarai in grado di iniziare a risolvere problemi in autonomia con il deep learning.

Il deep learning apre le porte a soluzioni totalmente innovative, sostituendo le istruzioni in codice con modelli appresi da esempi. Addestra una rete neurale profonda in modo che sappia riconoscere i numeri scritti a mano, in questo modo:

• Carica dati immagine nell'ambiente di training
• Scegli e addestra una rete
• Testa nuovi dati con iterazioni per migliorare le prestazioni

Al termine, sarai in grado di valutare quali dati utilizzare per il training.

Scopri come applicare il deep learning al rilevamento oggetti con l'esercitazione per rilevare volti di balena da immagini aeree, in questo modo:

• Combina immagini di computer tradizionali con deep learning
• Esegui una piccola "operazione cerebrale" su una rete neurale esistente utilizzando il framework di deep learning Caffe
• Sfrutta le conoscenze della community di deep learning identificando e utilizzando una rete specifica e dati completamente etichettati

Al termine, sarai in grado di risolvere problemi comuni di deep learning.

Il deep learning permette di mappare dati in ingresso e in uscita a elevata intensità di elaborazione. Scopri come distribuire il deep learning su applicazioni che riconoscono le immagini e rilevano i pedoni in tempo reale, in questo modo:

• Accedi e analizza i file che compongono il modello addestrato
• Definisci input e output specifici per ciascuna funzione
• Ottimizza le parti più intensive dell'applicazione con diverse metriche di prestazioni, come produttività e latenza

Al termine, sarai in grado di implementare il deep learning per risolvere problemi reali.

Il plug-in NVIDIA Docker permette di integrare flussi di lavoro di livello produzione in container utilizzando le GPU. Scopri come ridurre l'amministrazione e la configurazione degli host, in questo modo:

• Impara a lavorare con immagini Docker e a gestire il ciclo del container
• Accedi alle immagini dal registro pubblico di Docker, DockerHub, per il massimo riutilizzo nella creazione di container leggeri e componibili
• Addestra reti neurali utilizzando i framework TensorFlow e MXNet

Al termine, sarai in grado di suddividere in container e distribuire immagini preconfigurate per il deep learning.

La segmentazione di immagini (o semantica) è l'attività che consiste nel catalogare ciascun pixel di un'immagine in una classe specifica. Scopri come segmentare immagini MRI per misurare parti del cuore:

• Confrontare la segmentazione delle immagini con latri problemi di grafica
• Sperimentare gli strumenti TensorFlow come TensorBoard e l'API TensorFlow Python
• Implementare metriche efficaci per valutare le prestazioni del modello

Al termine, sarai in grado di impostare la maggior parte dei flussi di lavoro di grafica e utilizzare il deep learning.

Scopri come addestrare una rete neurale utilizzando il framework Microsoft Cognitive Toolkit. Costruisci e addestra reti sempre più complesse per:

• Confrontare l'espressione di una rete neurale utilizzando BrainScript "Simple Network Builder" e il più generalizzato "Network Builder"
• Visualizzare grafici di reti neurali
• Addestrare e testare una rete neurale per classificare numeri scritti a mano

Al termine, avrai le conoscenze di base sulle reti neurali convoluzionali (CNN) e sarai pronto per un utilizzo più avanzato di Microsoft Cognitive Toolkit.

Scopri come fare previsioni in base a dati strutturati utilizzando API TensorFlow TFLearn. Con l'esercitazione di previsione del reddito personale, dovrai:

• Caricare, visualizzare e organizzare dati da un file CSV per il machine learning
• Suddividere un dataset esistente in funzioni ed etichette (input, output) di una rete neurale
• Creare modelli da lineari a profondi e valutare le differenze in prestazioni

Al termine, sarai in grado di fare previsioni partendo dai tuoi dati strutturati.

Le reti neurali profonde sono più efficaci degli umani nel classificare le immagini, e questo ha implicazioni che vanno oltre quello che ci aspettiamo dalla computer vision. Scopri come convertire i segnali in radiofrequenza (RF) in immagini per rilevare un segnale debole danneggiato dal rumore. Imparerai come:

• Trattare dati non immagine come dati immagine
• Implementare un flusso di lavoro di deep learning (carico, addestramento, test, rettifica) in DIGITS
• Testare le prestazioni in modo programmatico e agevolare i miglioramenti

Al termine, sarai in grado id classificare dati immagini e dati simili utilizzando il deep learning.

La piattaforma di computing CUDA consente l’accelerazione delle applicazioni solo CPU per l’esecuzione sulle GPU massivamente parallele più veloci del mondo. Scopri l’accelerazione delle applicazioni C/C++ tramite:

• Accelerazione delle applicazioni solo CPU per l’esecuzione del loro parallelismo latente sulle GPU
• Utilizzo di tecniche di gestione della memoria CUDA per ottimizzare le applicazioni accelerate
• Esposizione del potenziale delle applicazioni accelerate per la simultaneità e suo utilizzo con i flussi CUDA
• Utilizzo della riga di comando e della profilazione visiva per facilitare e verificare il tuo lavoro

Alla fine sarai in grado di accelerare e ottimizzare le applicazioni solo CPU C/C++ esistenti con le tecniche e gli strumenti CUDA essenziali.

Questo corso illustra come utilizzare Numba, il compilatore di funzioni Python “just-in-time”, specializzato sul tipo, per accelerare i programmi Python per l’esecuzione sulle GPU NVIDIA massivamente parallele. Obiettivi del corso:

• Utilizzare Numba per compilare kernel CUDA da funzioni universali NumPy (ufuncs)
• Utilizzare Numba per creare e avviare kernel CUDA personalizzati
• Applicare le tecniche chiave per la gestione della memoria delle GPU

Al termine del corso, sarai in grado di utilizzare Numba per compilare e avviare kernel CUDA per accelerare le applicazioni Python sulle GPU NVIDIA.

Impara i fondamenti di OpenACC, un linguaggio di programmazione di alto livello per programmare su GPU. Questo corso è destinato a tutti coloro che hanno già esperienza con il linguaggio C/C++ e sono interessati ad accelerare le prestazioni delle applicazioni oltre i limiti della programmazione basata su sola CPU. Obiettivi del corso:

• Accelerare le applicazioni esistenti con OpenACC in quattro semplici passaggi
• Come profilare e ottimizzare il codice OpenACC
• Programmare su sistemi multi-GPU combinando OpenACC e MPI (Message Passing Interface)

Al termine del corso, sarai in grado di creare e ottimizzare applicazioni eterogenee e accelerate su cluster a più GPU utilizzando una combinazione di OpenACC, MPI basata su CUDA e strumenti di profilazione NVIDIA.

Scopri come accelerare la tua applicazione C/C++ utilizzando CUDA per imbrigliare la potenza massivamente parallela delle GPU NVIDIA. Scoprirai come programmare con CUDA per:

• Accelerare gli algoritmi SAXPY
• Accelerare gli algoritmi Matrix Multiply
• Accelerare gli algoritmi di conduzione di calore

Al termine, sarai in grado di utilizzare la piattaforma CUDA per accelerare le applicazioni C/C++.

Scopri come accelerare l'applicazione C/C++ o Fortran utilizzando OpenACC per imbrigliare la potenza massivamente parallela delle GPU NVIDIA. OpenACC è un approccio di computing basato su direttiva dove si forniscono corrispondenze di compilazione per accelerare il codice invece di scrivere il codice di accelerazione. Inizia con la procedura in quattro passaggi per accelerare le applicazioni con OpenACC:

• Caratterizzare e creare il profilo dell'applicazione
• Aggiungere direttive di elaborazione
• Aggiungere direttive per ottimizzare il movimento dati
• Ottimizzare l'applicazione con pianificazione del kernel

Al termine, sarai in grado di utilizzare un approccio basato su profili per accelerare rapidamente le applicazioni C/C++ con direttive OpenACC.

Esplora le tre tecniche per accelerare il codice su GPU:

• Usa librerie accelerate da GPU
• Usa direttive del compilatore come OpenACC
• Scrivi il codice direttamente in un linguaggio che supporta CUDA

Al termine, sarai in grado di dimostrare la potenziale accelerazione e la facilità d'uso delle GPU.

Esplora le tecniche di ottimizzazione della memoria per la programmazione con CUDA C/C++ su una GPU NVIDIA e impara a utilizzare NVIDIA Visual Profiler (NVVP) per supportare queste ottimizzazioni. Obiettivi del corso:

• Implementare un algoritmo di trasposizione di matrici semplici
• Eseguire diversi cicli di profilazione dell'algoritmo con NVVP e ottimizzare le prestazioni

Al termine, sarai in grado di analizzare e migliorare gli schemi di accesso alla memoria globale e condivisa e ottimizzare le applicazioni C/C++ accelerate.

Scopri come accelerare la tua applicazione C/C++ utilizzando le librerie drop-in per imbrigliare la potenza massivamente parallela delle GPU NVIDIA. Lavorerai a tre esercitazioni che ti permetteranno di:

• Utilizzare cuBLAS per accelerare una moltiplicazione di base di matrici
• Combinare librerie aggiungendo alcune chiamate API cuRAND alle chiamate cuBLAS precedenti
• Utilizzare nvprof per profilare il codice e ottimizzarlo con alcune chiamate API di runtime CUDA

Al termine, sarai in grado di utilizzare varie librerie compatibili con CUDA per accelerare rapidamente le applicazioni nei tuoi programmi solo CPU C/C++ esistenti.

Scopri come utilizzare le librerie GPU per accelerare il codice Python su GPU NVIDIA, in questo modo:

• Utilizza la libreria cuRAND per accelerare un prizer Monte Carlo
• Ottimizzare lo spostamento di dati tra CPU e GPU

Al termine, sarai in grado di iniziare a utilizzare le librerie Python accelerate da GPU per accelerare il codice Python solo CPU.

Thrust è una libreria di algoritmi paralleli basata su C++ Standard Template Library. Permette agli sviluppatori di sfruttare rapidamente la potenza del computing parallelo e supporta più sistemi di back-end come OpenMP e Intel Threading Building Blocks. Usa Thrust per accelerare C++ con esercitazioni che includono:

• Iteratori, container e funzioni di base
• Generatori di funzioni integrati e personalizzati
• Portabilità per elaborazione CPU

Al termine, sarai pronto per sfruttare la potenza della libreria Thrust per accelerare le tue applicazioni C/C++.

Scopri come accelerare la tua applicazione Fortran utilizzando CUDA per imbrigliare la potenza massivamente parallela delle GPU NVIDIA. Programmerai con CUDA per:

• Accelerare gli algoritmi SAXPY
• Accelerare gli algoritmi Matrix Multiply
• Accelerare gli algoritmi di conduzione di calore

Al termine, sarai in grado di utilizzare la piattaforma CUDA per accelerare le applicazioni Fortran.

Apprendi le tecniche di ottimizzazione della memoria per la programmazione con CUDA Fortran su una GPU NVIDIA e impara a utilizzare NVIDIA Visual Profiler (NVVP) per supportare queste ottimizzazioni. Attività:

• Implementare un algoritmo di trasposizione di matrici semplici
• Eseguire diversi cicli di profilazione dell'algoritmo con NVVP e ottimizzare

Al termine, sarai in grado di analizzare e migliorare gli schemi di accesso alla memoria globale e condivisa e ottimizzare le applicazioni Fortran accelerate.

Scopri come utilizzare le librerie GPU per accelerare il codice Fortran su GPU NVIDIA, in questo modo:

• Utilizza la libreria cuRAND per accelerare un prizer Monte Carlo
• Ottimizza lo spostamento di dati tra CPU e GPU

Al termine, sarai in grado di utilizzare le librerie Fortran accelerate da GPU per accelerare il codice Fortran solo CPU.

Scopri come addestrare una rete GAN (Generative Adversarial Network) per generare contenuti di immagini in DIGITS. Obiettivi del corso:

• Utilizzare reti GAN per creare numeri scritti a mano
• Visualizzare lo spazio di una caratteristica e utilizzare il vettore attributo per generare analogie di immagini
• Addestrare una rete GAN per generare immagini con attributi definiti

Al termine, sarai in grado di utilizzare reti GAN per generare immagini manipolando lo spazio di una caratteristica.

Scopri come trasferire l’aspetto e il comportamento di un’immagine su un’altra immagine estraendo caratteristiche visive. Scopri come vengono utilizzate le reti neurali convoluzionali (CNN) per l'estrazione di caratteristiche e l'inclusione in un generatore per creare una nuova immagine. Obiettivi del corso:

• Trasferire l'aspetto e il comportamento di un'immagine su un'altra immagine estraendo caratteristiche visive
• Determinare in modo qualitativo se uno stile è stato trasferito correttamente utilizzando tecniche diverse
• Utilizzare innovazioni architetturali e tecniche di training per il trasferimento arbitrario degli stili

Al termine, sarai in grado di utilizzare reti neurali per il trasferimento arbitrario di stili alla velocità efficace per i video.

Scopri come le reti neurali con codificatori automatici possono essere utilizzare per accelerare significativamente la rimozione del rumore in immagini ray-tracing. Obiettivi del corso:

• Stabilire se esiste rumore in immagini di rendering
• Utilizzare una rete preaddestrata per eliminare il rumore da immagini di esempio o immagini proprie
• Addestrare il denoiser utilizzando il dataset fornito

Al termine, sarai in grado di utilizzare codificatori automatici in reti neurali per addestrare un denoiser personalizzato per le immagini di rendering.

Sfrutta la potenza di una rete neurale con autoencoder per creare immagini di alta qualità da immagini originali di bassa qualità. Obbietti del mini corso:

• Comprendere e progettare un autoencoder
• Apprendere i vari metodi per misurare rigorosamente la qualità delle immagini

Al termine, sarai in grado di utilizzare autoencoder in reti neurali per migliorare significativamente la qualità immagine.

Le reti neurali ricorrenti (RNN) consentono ai modelli di classificare o prevedere dati in serie temporali, come il linguaggio neurale, i mercati e anche la salute dei pazienti nel tempo. Obiettivi del corso:

• Creare dataset di training e test utilizzando dati medici elettronici in HDF5 (Hierarchical Data Format versione cinque)
• Preparare dataset per l'uso con reti neurali ricorrenti, per consentire la modellazione di sequenze di dati molto complesse
• Costruire un modello di memoria a breve e lungo termine (LSTM), un'architettura RNN specifica, utilizzando la libreria Keras eseguita su Theano per valutare le prestazioni del modello rispetto ai dati di riferimento

Al termine, sarai in grado di modellare dati in serie temporali utilizzando reti RNN.

Ricevi un'introduzione pratica al deep learning per la radiologia e le immagini diagnostiche. Obiettivi del corso:

• Raccogliere, formattare e standardizzare i dati di immagini diagnostiche
• Organizzare e addestrare una rete neurale convoluzionali (CNN) su un data set
• Usare il modello addestrato per classificare nuove immagini diagnostiche

Al termine del corso, sarai in grado di eseguire reti CNN per classificare immagini in un data set di immagini diagnostiche.

La segmentazione di immagini (o semantica) è l'attività che consiste nel catalogare ciascun pixel di un'immagine in una classe specifica. Dovrai segmentare immagini di risonanze magnetiche per misurare parti del cuore, con le seguenti attività:

• Estensione di Caffe con layer Python personalizzati
• Implementazione del processo di transfer learning
• Creazione di reti neurali completamente convoluzionali da popolari reti di classificazione di immagini

Al termine, sarai in grado di impostare la maggior parte dei flussi di lavoro di grafica e utilizzare il deep learning.

Grazie al lavoro svolto alla Mayo Clinic, l'uso delle tecniche di deep learning per il rilevamento e la radiomica di immagini di risonanze magnetiche ha condotto a cure più efficaci e risultati migliori per i pazienti affetti da tumore al cervello. Impara a rilevare il biomarker di codelezione 1p19q:

• Design e formazione di reti neurali convoluzionali (CNN)
• Uso della genomica per immagini (radiomica) per creare biomarker che identificano la genomica di una patologia senza utilizzare la biopsia invasiva
• Esplorazione di lavori di radiogenomica eseguiti alla Mayo Clinic

Al termine, disporrai delle conoscenze specifiche dei risultati nuovi e promettenti dell'uso del deep learning per previsioni radiomiche.

Le reti neurali convoluzionali (CNN) possono essere applicate all'analisi di immagini mediche per dedurre lo stato dei pazienti a partire da immagini non visibili. Scopri come addestrare una rete CNN per dedurre il volume del ventricolo sinistro del cuore umano da dati MRI in serie temporale. Il corso include:

• Estensione di una rete 2D CNN canonica con dati più complessi
• Uso di MXNet tramite API Python standard e R
• Elaborazione di immagini ad elevata dimensionalità che possono essere volumetriche e disporre di componenti temporali

Al termine, sarai in grado di utilizzare le reti CNN per immagini non visibili.

Una rete GAN (Generative Adversarial Network) è costituita da una coppia di reti neurali profonde: un generatore che crea nuovi esempi basati sui dati di training forniti e una discriminante che tenta di distinguere tra dati simulati e autentici. Mentre entrambe le reti imparano e migliorano, gli esempi creati diventano sempre più realistici. Questa tecnologia è molto promettente per la sanità, perché è in grado di accrescere piccoli set di dati per addestrare reti tradizionali. Obiettivi del corso:

• Generare immagini sintetiche per risonanze magnetiche del cervello
• Applicare le reti GAN per la segmentazione
• Usare le reti GAN per il data augmentation migliorando la precisione

Al termine del corso, sarai in grado di applicare reti GAN a casi d'uso con immagini diagnostiche.

La tecnica CFCM (Coarse-to-fine contextual memory, dalla memoria grezza alla memoria contestuale ottimizzata) è stata sviluppata per la segmentazione delle immagini attraverso architetture molto profonde e l'integrazione di funzionalità da varie scale diverse con memoria convoluzionale a lungo e breve termine (memoria LSTM). Obiettivi del corso:

• Approfondire le architetture codificatore-decodificatore per la segmentazione di immagini diagnostiche
• Apprendere i concetti fondamentali (convoluzione, pooling layer, reti residuali, ecc.)
• Analizzare diverse strategie per le skip connection

Al termine del corso, sarai in grado di applicare le tecniche CFCM alla segmentazione di immagini diagnostiche ed eseguire attività di imaging analoghe.

Impara a interpretare i modelli di deep learning per individuare schemi nelle sequenze di genomi. Usa il tookit DragoNN (deep regulatory genomics neural network) su dati di genomica simulati e reali per:

• Sfatare i miti sulle famose architetture DragoNN
• Esplorare le linee guida di modellazione e interpretazione di sequenze normative utilizzando modelli DragoNN
• Identificare quando DragoNN è appropriato per un problema di learning in modelli di genomica e ad alte prestazioni

Al termine, sarai in grado di utilizzare la documentazione relativa agli schemi di sequenze predittive di genomi per ricavare nuovi dati biologici.

Quando una rete neurale addestrata viene impiegata per trovare la risposta utilizzando nuovi dati, si parla di implementazione. TensorRT è lo strumento di implementazione principale, con varie opzioni per migliorare le prestazioni di inferenza delle reti neurali. Obbietti del mini corso:

• Apprendere l'uso di giexec per eseguire inferenze
• Utilizzare INT8 con precisione mista per ottimizzare le inferenze
• Sfruttare API con layer personalizzati per plug-in

Al termine, sarai in grado di utilizzare TensorRT per accelerare le prestazioni di inferenza nelle reti neurali.

Scopri i fondamenti del deep learning addestrando reti neurali e utilizzando i risultati per migliorare prestazioni e funzionalità.

In questo workshop, scoprirai le basi del deep learning attraverso la formazione e la distribuzione di reti neurali. Obiettivi del corso:

• Implementazione di flussi di lavoro comuni di deep learning, come classificazione di immagini e rilevamento di oggetti
• Esperimenti con dati, parametri di training, strutturazione della rete e altre strategie per migliorare le prestazioni e le capacità
• Distribuzione di reti neurali per iniziare a risolvere problemi reali

Al termine del corso, sarai in grado di iniziare a risolvere problemi in autonomia con il deep learning.

Questo workshop esplora i modi in cui le reti neurali ricorrenti e convoluzinonali possono essere combinate per generare descrizioni efficaci di contenuti all'interno di immagini e video clip.

Impara ad addestrare una rete utilizzando TensorFlow e il set di dati MSCOCO (Microsoft Common Object in Context) per generare didascalie per immagini e video tramite:

• Implementazione di flussi di lavoro di deep learning come la segmentazione di immagini e la generazione di testo
• Confronto tra tipi di dati, flussi di lavoro e framework
• Combinazione di computer vision ed elaborazione del linguaggio naturale

Al termine del corso, sarai in grado di risolvere problemi di deep learning che richiedono più tipi di dati di input.

Scopri le ultime tecniche di deep learning per comprendere l'input testuale utilizzando l'elaborazione del linguaggio naturale (NLP). Obiettivi del corso:

• Convertire testo in rappresentazioni comprensibili da unamacchina e approcci classici
• Implementare rappresentazioni distribuite (incorporate) e comprenderne le proprietà
• Addestrare traduttori automatici da una lingua all'altra

Al termine del corso, avrai acquisito competenze in NLP con uso di rappresentazioni incorporate in applicazioni simili.

I requisiti di elaborazione delle reti neurali profonde utilizzate per le applicazioni IA come le auto a guida autonoma sono immensi. Un solo ciclo di training può richiedere settimane su una singola GPU o addirittura anni per set di dati più ampi come quelli utilizzati nella ricerca per le auto autonome. L'uso di più GPU per il deep learning può ridurre significativamente i tempi necessari per addestrare elevati volumi di dati, rendendo possibile la soluzione di problemi complessi con il deep learning.

Questo workshop ti insegnerà a usare più GPU per addestrare reti neurali. Obiettivi del corso:

• Approcci al training con più GPU
• Sfide algoritmiche e ingegneristiche con il training su larga scala
• Tecniche essenziali utilizzate per superare le sfide suddette

Al termine del corso, sarai in grado di parallelizzare efficacemente il training di reti neurali profonde con TensorFlow.

La piattaforma di computing CUDA consente l’accelerazione delle applicazioni solo CPU per l’esecuzione sulle GPU massivamente parallele più veloci del mondo. Scopri l'accelerazione delle applicazioni C/C+ tramite:

• Accelerazione delle applicazioni solo CPU per l’esecuzione del loro parallelismo latente sulle GPU
• Utilizzo delle tecniche di gestione della memoria CUDA essenziali per ottimizzare le applicazioni accelerate
• Esposizione del potenziale delle applicazioni accelerate per la simultaneità e suo utilizzo nei flussi CUDA
• Utilizzo della riga di comando e della profilazione visiva per facilitare e verificare il tuo lavoro

Alla fine sarai in grado di accelerare e ottimizzare le applicazioni solo CPU C/C++ esistenti con le tecniche e gli strumenti CUDA essenziali. Conoscerai uno stile iterativo di sviluppo CUDA che ti permetterà di fornire velocemente applicazioni accelerate.

In questo workshop imparerai a progettare, addestrare e distribuire reti neurali per veicoli autonomi utilizzando la piattaforma di sviluppo NVIDIA DRIVE PX.

Obiettivi del corso:

• Integrazione di input da sensori utilizzando lo stack software DriveWorks
• Addestramento di una rete neurale per la segmentazione semantica
• Ottimizzazione, convalida e distribuzione di una rete neurale addestrata con TensorRT

Al termine del corso, gli studenti saranno in grado di creare e ottimizzare componenti percettivi per veicoli autonomi utilizzando NVIDIA DRIVE PX.

Le tecniche lineari come l'analisi dei componenti principali (PCA) sono imprescindibili per la creazione di “eigenportfolio” da utilizzare nelle strategie di arbitraggio. Sono inoltre diffuse ulteriori tecniche che si servono di dati finanziari basati su serie temporali. Ma oggi, le strategie di trading possono essere accelerate con la potenza delle reti neurali profonde.

Obiettivi del corso:

• Preparazione di dati di serie temporali e test delle prestazioni della rete attraverso addestramento e set di dati di test
• Strutturazione e addestramento di una rete LSTM (Long Short-Term Memory) per accettare input vettoriali e fare previsioni
• Utilizzo del codificatore automatico come rilevatore di anomalie per creare una strategia di arbitraggio

Al termine del corso, sarai in grado di utilizzare dati finanziari in serie temporali per prevedere e sfruttare l'arbitraggio attraverso l'uso delle reti neurali.

Scopri le tecniche più recenti per la progettazione, il training e l'esecuzione di reti neurali per la creazione di contenuti digitali. Obiettivi del corso:

• Applicare le innovazioni architetturali e le tecniche di addestramento utilizzate per il trasferimento arbitrario degli stili video
• Addestrare il tuo denoiser per il rendering delle immagini
• Eseguire l'upscale di immagini con IA a massima risoluzione

Al termine del corso, sarai in grado di iniziare a creare risorse digitali utilizzando approcci basati sul deep learning.

Scopri le tecniche avanzate per la progettazione, il training e la distribuzione di reti neurali per la creazione di contenuti digitali. Obiettivi del corso:

• Addestrare una rete GAN (Generative Adversarial Network) per generare immagini
• Creare immagini analogiche da un tema all'altro
• Convertire testo in immagini con il deep learning

Al termine del corso, sarai in grado di iniziare a creare risorse digitali utilizzando approcci basati sul deep learning.

Scopri le tecniche più recenti per la progettazione, il training e la distribuzione di reti neurali per lo sviluppo di giochi. Obiettivi del corso:

• Addestrare una rete neurali con funzionamento a fasi per animare i personaggi
• Tradurre un'immagine di image in un'immagine di output
• Addestrare un agente di deep learning rinforzato per giocare con Starcraft 2

Al termine del corso, riuscirai a comprendere vari modi per incorporare le tecniche di deep learning nello sviluppo di giochi.

Questo workshop illustra come applicare le reti neurali convoluzionali (CNN) alle scansioni da risonanza magnetica per eseguire una vasta gamma di attività e calcoli medici. Obiettivi del corso:

• Segmentazione di immagini da risonanza magnetica per stabilire il sito del ventricolo sinistro
• Calcolo delle frazioni di eiezione tramite la misurazione delle differenze tra diastole e sistole attraverso l'applicazione di reti CNN alle scansioni RM per rilevare cardiopatie
• Applicazione di reti CNN a scansioni RM di LGG per stabilire lo stato di codelezione del cromosoma 1p/19q

Al termine del corso, sarai in grado di applicare reti CNN a scansioni RM per eseguire una serie di attività mediche.

Questo workshop illustra come applicare il deep learning per rilevare lo stato di co-eliminazione di cromosomi e per individuare gli schemi nelle sequenze genomiche. Obiettivi del corso:

• Comprensione delle basi delle reti neurali convoluzionali (CNN) e il loro funzionamento
• Applicazione di reti CNN a scansioni di gliomi di basso grado (LGG) per stabilire lo stato di eliminazione del cromosoma 1p/19q
• Uso del kit di strumenti DragoNN per simulare dati genomici e individuarne gli schemi

Al termine del corso, sarai in grado di comprendere il funzionamento delle reti CNN, valutare immagini RM tramite le reti CNN e utilizzare dati genomici reali per individuare nuovi schemi.