Home
Home 1
Home 2
Home 3
Home 4
Home 5
Home 6
Courses
Courses – Grid
Style 1
Style 2
Style 3
Style 4
Full Width
Courses – List
Style 1
Full Width
Course Detail
Style 1
Style 2
Style 3
Style 4
Explore Categories
Blog
Blog Full
Blog Sidebar
Blog Detail
Shop
Pages
About Us
Contact Us
FAQ’s
404
Home
Home 1
Home 2
Home 3
Home 4
Home 5
Home 6
Courses
Courses – Grid
Style 1
Style 2
Style 3
Style 4
Full Width
Courses – List
Style 1
Full Width
Course Detail
Style 1
Style 2
Style 3
Style 4
Explore Categories
Blog
Blog Full
Blog Sidebar
Blog Detail
Shop
Pages
About Us
Contact Us
FAQ’s
404
login
Register
INTELLIGENZA ARTIFICIALE PER SANITARI
Curriculum
12 Sections
80 Lessons
10 Weeks
Expand all sections
Collapse all sections
INTRODUZIONE AL CORSO
2
1.1
1. Introduzione agli argomenti sulle reti neurali
1.2
2. Codice del corso
RETI BIOLOGICHE E ARTIFICIALI
5
2.1
3. L’importanza e gli utilizzi dei network neurali
2.2
4. Storia e caratteristiche delle reti neurali
2.3
5. Il cervello umano
2.4
6. Il neurone artificiale
2.5
7. Le differenze tra i due sistemi
RETI FEEDFARWORD
12
3.1
8. Tipi di reti neurali
3.2
9. Struttura di una rete neurale artificiale
3.3
10. Perceptrone
3.4
11. Un esempio base con R
3.5
12. Un esempio base con Python
3.6
13. Addestramento della rete
3.7
14. Deep Neural Networks o reti neurali profonde
3.8
15. I framework per il deep learning
3.9
16. Reti feedforward
3.10
17. Esempio di rete feedforward con nnet – R
3.11
18. Esempio di rete neurale con neuralnet – R
3.12
19. Esempio di previsione con output numerico – R
ALTRE NOZIONI DI BASE
6
4.1
20. L’algoritmo di backpropagation
4.2
21. Il metodo del gradiente
4.3
22. Funzioni di attivazione
4.4
23. Parametri per le reti neurali
4.5
24. Vantaggi e svantaggi delle reti neurali
4.6
25. Esempio di backpropagation con Python
PRIMI PASSI NEL DEEP LEARNING CON KERAS
15
5.1
27. Dai vettori ai tensori in R
5.2
26. Rappresentare dati non strutturati per il deep learning
5.3
28. Gli array in Python
5.4
29. I dataset per testare le reti neurali
5.5
30. CPU/GPU
5.6
31. Verificare la presenza di una GPU sul nostro computer
5.7
32. Keras per Python e per R
5.8
33. Un primo esempio di modello con keras e iris su R
5.9
34. Esempio di classificazione binaria sul dataset Pima con R
5.10
35. Esempio di regressione con R
5.11
36. Esempio di regressione sul dataset Boston con R
5.12
37. Esempio di regressione con Python
5.13
38. Esempio di regressione sul dataset Boston con Python
5.14
39. Esempi di classificazione con Python
5.15
40. Tensorflow playground
COMPUTER VISION E CNN
15
6.1
41. Computer Vision
6.2
42. Il deep learning nella computer vision
6.3
43. Convolutional Neural Networks
6.4
44. Stride e pooling
6.5
45. Capiamo come viene letta un’immagine dal computer – con R
6.6
46. Esempio di CNN con R e il dataset MNIST
6.7
47. Esempio di CNN con Python e il dataset MNIST – prima parte
6.8
48. Esempio di CNN con Python e il dataset MNIST – seconda parte
6.9
49. Esempio di CNN con R e il dataset CIFAR
6.10
50. Esempio di CNN con Python e il dataset CIFAR
6.11
51. Evoluzione delle reti neurali
6.12
52. Altri metodi ed esempi per le immagini con reti CCN
6.13
53. Creare una rete neurale a partire dai nostri dati con R
6.14
54. Aumentare i dati per perfezionare i modelli con R
6.15
55. Come usare dei modelli pretrained in R
RECURRENT NEURAL NETWORKS - RNN
11
7.1
56. Recurrent neural networks – RNN
7.2
57. Vanishing gradient
7.3
58. LSTM e GRU
7.4
59. Introduzione al Natural Language Processing
7.5
60. Il concetto di embedding e il Word2Vec
7.6
61. Come impostare una rete ricorrente
7.7
62. Implementare le reti ricorrenti sui testi con R
7.8
63. Implementare le reti ricorrenti sui testi con R — seconda parte
7.9
64. Implementare le reti ricorrenti sui testi con Python
7.10
65. Implementare le reti ricorrenti sui testi con Python — seconda parte
7.11
66. Introduzione alla Sentiment Analysis
LE RETI NEURALI NON SUPERVISIONATE
4
8.1
67. Le reti neurali non supervisionate
8.2
68. Mappe di Kohonen
8.3
69. Esempio di mappe di Kohonen con R
8.4
70. Macchine di Boltzmann
AUTOENCONDERS
1
9.1
71. Autoencoders
GANS
1
10.1
72. Generative Adversarial Networks o GANs
AI NEL SETTORE SANITARIO
8
11.1
73. Introduzione all’intelligenza artificiale nel settore sanitario
11.2
74. Diagnosi medica
11.3
75. Monitoraggio dei pazienti
11.4
76. Chirurgia robotica
11.5
77. Assistenza domiciliare
11.6
78. Gestione delle informazioni mediche
11.7
79. Etica e privacy
11.8
80. Conclusioni
TEST
1
12.1
TEST AI PER SANITARI
5 Questions
This content is protected, please
login
and
enroll
in the course to view this content!
Modal title
Main Content
