Sconto −90%
Premium
Agentic AI Engineering
Profession.AI
Prezzo di listino 1.334 €
Prezzo 131 €
Contenuto del corso
📁Master in AI Engineering - Profession.AI 🔴(47,28GB)
📁Computer Vision(1,30GB)
📁1. Introduzione al corso(52,37MB)
📄 1. Intro al corso.mp4(12,04MB)
📄 2. Intro alla Computer Vision.mp4(40,33MB)
📁2. [Teoria] Image Preprocessing(43,91MB)
📄 1. Introduzione a feature extraction.mp4(10,37MB)
📄 2. Filtri spaziali.mp4(33,53MB)
📁3. [Pratica] Image Preprocessing(66,89MB)
📄 1. Filtri media e mediano.mp4(27,72MB)
📄 2. Filtri edge detection.mp4(39,17MB)
📁4. [Esercitazione] Image Preprocessing(25,90MB)
📄 1. Esercitazione.mp4(6,79MB)
📄 2. Soluzione.mp4(19,11MB)
📁5. [Teoria] Neural Networks(50,46MB)
📄 1. Introduzione alle NNs.mp4(24,71MB)
📄 2. Training di una NN.mp4(25,75MB)
📁6. [Pratica] Neural Networks(275,27MB)
📄 1. Dataset XOR.mp4(12,29MB)
📄 2. XOR NN.mp4(32,27MB)
📄 3. XOR train setup.mp4(17,69MB)
📄 4. XOR train part 1.mp4(23,81MB)
📄 5. XOR train part 2.mp4(27,16MB)
📄 6. XOR training su GPU.mp4(27,60MB)
📄 7. MNIST.mp4(25,07MB)
📄 8. Dataloader.mp4(33,64MB)
📄 9. Train MNIST.mp4(44,79MB)
📄 10. Inference.mp4(30,95MB)
📁7. [Esercitazione] Neural Network(39,14MB)
📄 1. Esercitazione.mp4(5,89MB)
📄 2. Soluzione.mp4(33,24MB)
📁8. [Teoria] Convolutional Neural Networks(69,80MB)
📄 1. Convolution 2D.mp4(13,61MB)
📄 2. Parametri & Operazioni Convolution 2D.mp4(22,30MB)
📄 3. LeNet.mp4(33,90MB)
📁9. [Pratica] Convolutional Neural Networks(40,72MB)
📄 1. MNIST CNN.mp4(40,72MB)
📁10. [Esercitazione] Convolutional Neural Networks(32,31MB)
📄 1. Esercitazione.mp4(5,63MB)
📄 2. Soluzione.mp4(26,68MB)
📁11. [Teoria] Image Classification(79,06MB)
📄 1. ImageNet & CV Challenges.mp4(24,83MB)
📄 2. VGG.mp4(16,79MB)
📄 3. Transfer Learning.mp4(13,47MB)
📄 4. ResNet.mp4(23,98MB)
📁12. [Pratica] Image Classification(175,85MB)
📄 1. Imagenette.mp4(11,02MB)
📄 2. PyTorch Dataset.mp4(38,33MB)
📄 3. Data augmentation.mp4(40,69MB)
📄 4. VGG16 & Imagenette.mp4(37,94MB)
📄 5. Transfer learning.mp4(47,87MB)
📁13. [Esercitazione] Image Classification(47,91MB)
📄 1. Esercitazione.mp4(10,71MB)
📄 2. Soluzione.mp4(37,20MB)
📁14. [teoria] Object Detection(87,73MB)
📄 1. Introduzione.mp4(13,92MB)
📄 2. R-CNNs.mp4(20,27MB)
📄 3. Region Proposal Network.mp4(24,38MB)
📄 4. YOLO.mp4(29,17MB)
📁15. [Pratica] Object Detection(189,46MB)
📄 1. YOLO con ultralytics.mp4(32,94MB)
📄 2. YOLO con ultralitics 2.mp4(37,53MB)
📄 3. Train YOLO.mp4(40,49MB)
📄 4. Train YOLO 2.mp4(78,50MB)
📁16. [Esercitazione] Object Detection(52,60MB)
📄 1. Esercitazione.mp4(5,80MB)
📄 2. Soluzione.mp4(46,79MB)
📁 17. Certificazione(0,00B)
📁Deep Learning applicato con PyTorch(1,75GB)
📁1. Introduzione al corso(8,63MB)
📄 1. Introduzione al corso e prerequisiti.mp4(8,63MB)
📄 2. Materiale del corso.pdf(6,41KB)
📁2. [Teoria] Introduzione a Pytorch(35,39MB)
📄 1. Recap Machine Learning e Deep Learning.mp4(15,05MB)
📄 2. Regressione vs classificazione.mp4(7,41MB)
📄 3. Framework di Pytorch.mp4(12,93MB)
📁3. [Pratica] Introduzione a Pytorch(111,31MB)
📄 1. Creazione di tensori.mp4(26,37MB)
📄 2. Tensori precompilati.mp4(13,29MB)
📄 3. Datatypes.mp4(13,24MB)
📄 4. Manipolare i tensori.mp4(28,46MB)
📄 5. Rimodellare i Tensori.mp4(15,03MB)
📄 6. Selezionare Dati.mp4(14,92MB)
📁4. [Esercitazione] Introduzione a Pytorch(33,23MB)
📄 1. Esercitazione.mp4(7,07MB)
📄 2. Soluzione.mp4(26,15MB)
📁5. [Teoria] Reti neurali Pytorch(127,97MB)
📄 1. Classe Module.mp4(12,59MB)
📄 2. Layer Lineari.mp4(21,79MB)
📄 3. Activation Function.mp4(20,85MB)
📄 4. Loss Function e Backpropagation.mp4(23,16MB)
📄 5. Dataset e Dataloader.mp4(15,37MB)
📄 6. Metriche di Classificazione.mp4(21,49MB)
📄 7. Training loop e Testing loop.mp4(12,72MB)
📁6. [Pratica] Reti neurali Pytorch(185,17MB)
📄 1. Introduzione al dataset California Housing.mp4(42,24MB)
📄 2. Preprocess dei dati.mp4(21,28MB)
📄 3. Creazione di una Rete Neurale.mp4(18,26MB)
📄 4. Prima inferenza sulla rete.mp4(7,37MB)
📄 5. Loss function e Optimizer.mp4(12,22MB)
📄 6. Training Loop.mp4(27,78MB)
📄 7. Nuova inferenza e testing Loop.mp4(16,07MB)
📄 8. Unione dei cicli.mp4(32,00MB)
📄 9. Analisi dei Risultati.mp4(7,97MB)
📁7. [Esercitazione] Reti neurali Pytorch(83,98MB)
📄 1. Esercitazione.mp4(10,44MB)
📄 2. Soluzione.mp4(73,54MB)
📁8. [Teoria] Come migliorare una rete neurale(104,50MB)
📄 1. Generalizzazione di un modello.mp4(32,72MB)
📄 2. Cross validation.mp4(25,78MB)
📄 3. Salvataggio modelli e checkpoint.mp4(16,09MB)
📄 4. Regolarizzazione.mp4(29,91MB)
📁9. [Pratica] Come migliorare una rete neurale(191,81MB)
📄 1. Introduzione al dataset wine quality.mp4(38,69MB)
📄 2. Creazione del validation set.mp4(11,00MB)
📄 3. Training e analisi Baseline.mp4(38,33MB)
📄 4. Training e analisi con Early Stopping.mp4(35,71MB)
📄 5. Creazione wrapper per esperimenti.mp4(26,18MB)
📄 6. Training e analisi con Dropout.mp4(33,72MB)
📄 7. Analisi risultati e test.mp4(8,19MB)
📁10. [Esercitazione] Come migliorare una rete neurale(154,84MB)
📄 1. Esercitazione.mp4(7,05MB)
📄 2. Soluzione.mp4(147,79MB)
📁11. [Teoria] Computer vision(112,89MB)
📄 1. Layer convoluzionali.mp4(46,11MB)
📄 2. Max Pool e Activation.mp4(15,75MB)
📄 3. Convolutional Neural Network.mp4(51,03MB)
📁12. [Pratica] Computer vision(123,49MB)
📄 1. Introduzione al dataset CIFAR-10.mp4(35,46MB)
📄 2. Creazione CNN.mp4(45,25MB)
📄 3. Valutazione della Baseline.mp4(17,82MB)
📄 4. Training della CNN.mp4(17,79MB)
📄 5. Valtazione della CNN.mp4(7,18MB)
📁13. [esercitazione] Computer vision(59,89MB)
📄 1. Esercitazione.mp4(3,30MB)
📄 2. Soluzione.mp4(56,59MB)
📁14. [Teoria]Data scarcity(145,75MB)
📄 1. Data Augmentation.mp4(53,44MB)
📄 2. Architetture popolari.mp4(58,70MB)
📄 3. Transfer Learning.mp4(33,61MB)
📁15. [Pratica] Data scarcity(232,32MB)
📄 1. Introduzione al dataset Food Classification.mp4(60,23MB)
📄 2. Transfer Learning.mp4(35,62MB)
📄 3. Baseline Transfer learning.mp4(88,88MB)
📄 4. Data augumentation Transfer Learning.mp4(39,55MB)
📄 5. Test Transfer Learning.mp4(8,05MB)
📁16. [Esercitazione]Data scarcity(76,54MB)
📄 1. Esercitazione.mp4(4,40MB)
📄 2. Soluzione.mp4(72,14MB)
📁 17. Certificazione(0,00B)
📁Deep Learning e Reti Neurali Artificiali(4,32GB)
📁1. Introduzione(145,56MB)
📄 1. Intelligenza Artificiale e Machine Learning.mp4(38,96MB)
📄 2. Reti Neurali e Deep Learning.mp4(24,70MB)
📄 3. Applicazioni del Deep Learning.mp4(41,58MB)
📄 4. Linguaggi e Librerie del Deep Learning.mp4(40,32MB)
📄 5. Materiale del corso.pdf(771,00B)
📁2. [Teoria] Basi di Reti Neurali Artificiali(158,56MB)
📄 1. Cervelli e Connessionismo.mp4(43,68MB)
📄 2. Parametri e Iperparametri.mp4(16,67MB)
📄 3. Dal Percettrone al Multilayer Perceptron.mp4(37,76MB)
📄 4. Funzioni di Attivazione.mp4(27,89MB)
📄 5. Da Scikit-learn a Keras.mp4(32,55MB)
📁3. [Pratica] Basi di Reti Neurali Artificiali(651,90MB)
📄 1. Creiamo una Rete Feed-Forward con TF.Keras.mp4(42,78MB)
📄 2. Esploriamo i Parametri della Rete.mp4(51,15MB)
📄 3. Un esempio di Forward Propagation.mp4(39,86MB)
📄 4. Le Funzioni di Attivazione.mp4(64,32MB)
📄 5. Il Dataset Iris.mp4(47,17MB)
📄 6. Un esempio di Previsione.mp4(49,11MB)
📄 7. Eseguiamo il Training della Rete Neurale.mp4(64,97MB)
📄 8. Il Dataset MNIST.mp4(42,11MB)
📄 9. Preprocessing del MNIST.mp4(46,33MB)
📄 10. Addestriamo la Rete per Classificare Immagini.mp4(42,96MB)
📄 11. Creiamo un Modello Funzionale.mp4(55,88MB)
📄 12. Analisi Misclassificazione dell'Iris.mp4(55,92MB)
📄 13. Analisi Misclassificazione del MNIST.mp4(49,35MB)
📁4. [Esercitazione] Basi di Reti Neurali Artificiali(56,89MB)
📄 1. ESERCITAZIONE Classificatore Pari-Dispari.mp4(16,08MB)
📄 2. SOLUZIONE Classificatore Pari-Dispari.mp4(40,81MB)
📁5. [Teoria] Addestramento e metodi di ottimizzazione(279,12MB)
📄 1. La fase di training.mp4(37,20MB)
📄 2. Discesa del gradiente.mp4(42,32MB)
📄 3. Chain Rule - Parte 1.mp4(31,30MB)
📄 4. Chain Rule - Parte 2.mp4(35,08MB)
📄 5. Iperparametri.mp4(40,66MB)
📄 6. Learning rate e Momentum.mp4(45,64MB)
📄 7. Esplosioni e Svanimenti.mp4(46,92MB)
📁6. [Pratica] Addestramento e metodi di ottimizzazione(497,37MB)
📄 1. Visualizziamo una prima Learning Curve.mp4(31,12MB)
📄 2. Giochiamo con le Epoche.mp4(116,49MB)
📄 3. Inizializzazione dei Pesi e Batch Size.mp4(79,90MB)
📄 4. Scegliamo l'Algoritmo di Ottimizzazione.mp4(92,23MB)
📄 5. Utilizziamo i Callback di tf.keras.mp4(79,26MB)
📄 6. Creiamo un Callback Custom.mp4(98,37MB)
📁7. [Esercitazione] Addestramento e metodi di ottimizzazione(281,42MB)
📄 1. ESERCITAZIONE Callback e Loss.mp4(23,21MB)
📄 2. SOLUZIONE Creiamo i Callback - Parte 1.mp4(95,92MB)
📄 3. SOLUZIONE Creiamo i Callback - Parte 2.mp4(99,85MB)
📄 4. SOLUZIONE Visualizziamo le Batch Loss.mp4(62,43MB)
📁8. [Teoria] Reti Neurali Convoluzionali(237,77MB)
📄 1. Introduzione alla Computer Vision.mp4(28,08MB)
📄 2. Reti Neurali Convoluzionali (CNN).mp4(33,37MB)
📄 3. Filtri (o Kernel) Convoluzionali.mp4(26,68MB)
📄 4. Padding e Iperparametri di una CNN.mp4(31,68MB)
📄 5. Il Pooling.mp4(41,96MB)
📄 6. Addestramento di una CNN.mp4(38,92MB)
📄 7. Il Transfer Learning.mp4(37,07MB)
📁9. [Pratica] Reti Neurali Convoluzionali(1,05GB)
📄 1. Introduzione ad AlexNet.mp4(50,92MB)
📄 2. Definiamo l'architettura AlexNet.mp4(86,44MB)
📄 3. Hidden Layer e Strati di output.mp4(95,42MB)
📄 4. Rivediamo l'architettura della rete.mp4(79,38MB)
📄 5. Configuriamo la rete.mp4(129,28MB)
📄 6. Immagini come Array.mp4(39,79MB)
📄 7. Usiamo i Modelli pre-addestrati di tf.keras.mp4(72,58MB)
📄 8. Come interpretare l'output di MobileNet.mp4(79,81MB)
📄 9. Addestriamo la nostra CNN.mp4(55,75MB)
📄 10. Valutiamo la nostra CNN.mp4(122,56MB)
📄 11. Generatori di Immagini.mp4(59,98MB)
📄 12. Utilizziamo il Transfer Learning.mp4(67,35MB)
📄 13. Addestriamo e valutiamo la nuova Rete.mp4(51,54MB)
📄 14. Classificare le immagini.mp4(81,65MB)
📁10. [Esercitazione] Reti Neurali Convoluzionali(179,44MB)
📄 1. ESERCITAZIONE Riconoscere il cibo nelle immagini.mp4(10,39MB)
📄 2. SOLUZIONE Il Dataset Foold or Not.mp4(39,10MB)
📄 3. SOLUZIONE Estraiamo le features da un modello pre-trained.mp4(44,80MB)
📄 4. SOLUZIONE Visualizziamo i risultati.mp4(85,15MB)
📁11. [Teoria] Reti Neurali Ricorrenti(104,02MB)
📄 1. Introduzione ai Modelli Sequenziali.mp4(20,65MB)
📄 2. Architettura delle RNN.mp4(14,08MB)
📄 3. Addestramento delle RNN.mp4(10,42MB)
📄 4. il Vanishing Gradient nelle RNN.mp4(7,27MB)
📄 5. Introduzione al Word Embedding.mp4(15,73MB)
📄 6. Long Short-Term Memory (LSTM).mp4(23,59MB)
📄 7. Gated Recurrent Unit (GRU).mp4(12,27MB)
📁12. [Pratica] Reti Neurali Ricorrenti(130,12MB)
📄 1. Creiamo il Vocabolario.mp4(20,34MB)
📄 2. Eseguiamo il Padding.mp4(7,91MB)
📄 3. Costruiamo uno strato di Embedding.mp4(18,99MB)
📄 4. Sentiment Analysis con Embedding.mp4(19,68MB)
📄 5. Sentiment Analysis con una Vanilla RNN.mp4(32,07MB)
📄 6. Sentiment Analysis con una LSTM-GRU.mp4(31,13MB)
📁13. [Esercitazione] Reti Neurali Ricorrenti(59,98MB)
📄 1. ESERCITAZIONE Machine Translation.mp4(7,81MB)
📄 2. SOLUZIONE Preprocessiamo il corpus di testo.mp4(25,50MB)
📄 3. SOLUZIONE Creiamo e addestriamo la rete neurale.mp4(16,15MB)
📄 4. SOLUZIONE Valutiamo e testiamo la rete neurale.mp4(10,52MB)
📁14. [Teoria] Architetture di Reti Neurali Miste(41,59MB)
📄 1. Le Reti Neurali Miste.mp4(11,41MB)
📄 2. CNN-LSTM e LSTM-CNN.mp4(11,52MB)
📄 3. ConvLSTM.mp4(7,68MB)
📄 4. Optical Characters Recognition.mp4(10,98MB)
📁15. [Pratica] Architetture di Reti Neurali Miste(119,01MB)
📄 1. Image Captioning - il Dataset di Flickr.mp4(10,37MB)
📄 2. Transfer Learning con l’architettura VGG-16.mp4(23,07MB)
📄 3. Preprocessing del Dataset di Flickr.mp4(39,25MB)
📄 4. Costruire la rete neurale.mp4(25,27MB)
📄 5. Valutiamo il modello con l'algoritmo BLEU.mp4(21,05MB)
📁16. [Esercitazione] Architetture di Reti Neurali Miste(35,53MB)
📄 1. ESERCITAZIONE Optical Character Recognition.mp4(8,07MB)
📄 2. SOLUZIONE Optical Character Recognition.mp4(27,46MB)
📁17. [Teoria] Transformers(162,67MB)
📄 1. Introduzione.mp4(18,41MB)
📄 2. Utilizzo dei transformers.mp4(18,16MB)
📄 3. Transfer Learning nel NLP.mp4(13,72MB)
📄 4. Attention Mechanism.mp4(18,55MB)
📄 5. BERT.mp4(16,37MB)
📄 6. Decoder.mp4(15,00MB)
📄 7. Encoder.mp4(32,47MB)
📄 8. General architecture.mp4(14,43MB)
📄 9. GPT.mp4(15,57MB)
📁18. [Pratica] Transformers(207,05MB)
📄 1. Facciamo pratica con i dataset di HuggingFace.mp4(31,87MB)
📄 2. Ner con Bert.mp4(46,55MB)
📄 3. Sentiment Analysis con BERT.mp4(50,62MB)
📄 4. T5 per un use case di Summarization.mp4(78,01MB)
📁 19. Certificazione(0,00B)
📁Explainable AI (XAI)(1,82GB)
📁1. [Teoria] INTRODUZIONE(169,58MB)
📄 1. Va Dove ti portano i dati.mp4(11,59MB)
📄 2. Creiamo scatole nere.mp4(10,25MB)
📄 3. Il Black-box problem Parte 1.mp4(38,88MB)
📄 4. Il Black-box problem Parte 2.mp4(25,90MB)
📄 5. Intelligenza o Imitazione?.mp4(46,69MB)
📄 6. Explainers.mp4(13,29MB)
📄 7. Lessico XAI.mp4(22,77MB)
📄 8. Materiale del corso.pdf(112,32KB)
📄 9. Fai il Deeptest.pdf(113,14KB)
📁2. [Teoria] DATI TABULARI E MODELLI WHITE-BOX(17,88MB)
📄 1. Classificazione binaria su semplice dataset.mp4(17,77MB)
📄 2. Fai il Deeptest.pdf(113,16KB)
📁3. [Pratica] DATI TABULARI E MODELLI WHITE-BOX(126,19MB)
📄 1. Scelta di dataset e modello.mp4(7,91MB)
📄 2. Spiegabilità di modello white-box.mp4(118,28MB)
📁4. [Teoria] LIME(65,76MB)
📄 1. LIME.mp4(65,76MB)
📁5. [Pratica] LIME(207,67MB)
📄 1. Utilizzo di LIME su MLP.mp4(38,20MB)
📄 2. Interpretazione LIME.mp4(98,50MB)
📄 3. XAI e preprocessing delle features.mp4(53,38MB)
📄 4. Classificazione binaria su semplice dataset.mp4(17,59MB)
📁6. [Esercitazione] LIME(33,06MB)
📄 1. MLP+LIME su altro dataset.mp4(4,40MB)
📄 2. [Soluzione] MLP+LIME su altro dataset.mp4(28,66MB)
📁7. [Teoria] SHAP(48,17MB)
📄 1. Shapley values e teoria dei giochi.mp4(15,21MB)
📄 2. SHAP.mp4(32,85MB)
📄 3. Fai il Deeptest.pdf(113,13KB)
📁8. [Pratica] SHAP(151,70MB)
📄 1. Utilizzo di SHAP base.mp4(35,81MB)
📄 2. Utilizzo di SHAP su time series.mp4(115,89MB)
📁9. [Esercitazione] SHAP(26,74MB)
📄 1. Ricavare Shapley values senza SHAP.mp4(5,67MB)
📄 2. [Soluzione] Ricavare Shapley values senza SHAP.mp4(21,07MB)
📁10. [Teoria] IMMAGINI(58,24MB)
📄 1. Computer vision pt.1.mp4(34,75MB)
📄 2. Computer vision pt.2.mp4(23,49MB)
📁11. [Pratica] IMMAGINI(183,60MB)
📄 1. Modelli di salienza.mp4(80,04MB)
📄 2. Modelli avanzati.mp4(103,55MB)
📁12. [esercitazione] IMMAGINI(85,32MB)
📄 1. [esercitazione] altri explainers model-aware.mp4(50,77MB)
📄 2. [soluzione] altri explainers model-aware.mp4(34,55MB)
📁13. [Teoria] PDP_ALE_Permutation Importance(91,66MB)
📄 1. Permutation Importance.mp4(37,85MB)
📄 2. Partial dependence plot.mp4(24,42MB)
📄 3. ALE.mp4(29,27MB)
📄 4. Fai il Deeptest.pdf(113,15KB)
📁14. [Pratica] PDP_ALE_Permutation Importance(239,72MB)
📄 1. Permutation Importance.mp4(51,83MB)
📄 2. PDP.mp4(107,69MB)
📄 3. ALE.mp4(80,20MB)
📁15. [Esercitazione] PDP_ALE_Permutation Importance(32,05MB)
📄 1. [Esercitazione] Permutation Importance_PDP_ALE.mp4(6,84MB)
📄 2. [Soluzione] Permutation Importance_PDP_ALE.mp4(25,21MB)
📁16. [Teoria] Additivity GAM EBM GAN KAN(78,50MB)
📄 1. Additivity GAM EBM KAN pt.1.mp4(48,07MB)
📄 2. Additivity GAM EBM KAN pt.2.mp4(30,32MB)
📄 3. Fai il Deeptest.pdf(113,16KB)
📁17. [Pratica] Additivity GAM EBM GAN KAN(157,21MB)
📄 1. GAM con TEAM.mp4(85,70MB)
📄 2. GAM con NN.mp4(71,51MB)
📁18. [Esercitazione] Additivity GAM EBM GAN KAN(47,40MB)
📄 1. [Esercitazione] GAM.mp4(11,15MB)
📄 2. [Soluzione] GAM.mp4(36,24MB)
📁19. Costruire un modello XAI(47,08MB)
📄 1. Costruire un modello XAI.mp4(47,08MB)
📁 20. Certificazione(0,00B)
📁Fondamenti di Machine Learning(1,83GB)
📁1. Introduzione(74,52MB)
📄 1. Cosa è il Machine Learning.mp4(22,22MB)
📄 2. Materiale del corso.pdf(771,00B)
📄 3. Perché oggi.mp4(16,00MB)
📄 4. Le tecniche del Machine Learning.mp4(36,31MB)
📄 5. Altre risorse.pdf(771,00B)
📁2. [Teoria] il Dataset(68,12MB)
📄 1. Tipi di dati strutturati.mp4(16,46MB)
📄 2. Tipi di dati non strutturati.mp4(36,30MB)
📄 3. Tipi di variabili.mp4(15,35MB)
📁3. [Pratica] il Dataset(67,11MB)
📄 1. Leggere CSV e TSV.mp4(17,22MB)
📄 2. Leggere JSON.mp4(7,00MB)
📄 3. Leggere XML.mp4(13,30MB)
📄 4. Leggere HTML.mp4(12,69MB)
📄 5. Leggere EXCEL.mp4(16,90MB)
📁4. [Teoria] Data Preprocessing(58,24MB)
📄 1. Feature encoding.mp4(16,48MB)
📄 2. Feature scaling.mp4(26,64MB)
📄 3. Gestire dati mancanti.mp4(15,13MB)
📄 4. Altre risorse.pdf(771,00B)
📁5. [Pratica] Data Preprocessing(195,65MB)
📄 1. Ordinal Encoding con Pandas e Numpy.mp4(24,93MB)
📄 2. One-hot Encoding con Pandas e Scikit-Learn.mp4(36,82MB)
📄 3. Codifica del target tramite Label Endocing.mp4(15,38MB)
📄 4. Droppare righe o colonne con dati mancanti.mp4(28,70MB)
📄 5. Eseguire l'imputazione per i dati mancanti.mp4(34,10MB)
📄 6. Applicare la normalizzazione.mp4(33,41MB)
📄 7. Applicare la standardizzazione.mp4(22,32MB)
📁6. [Esercitazione] Data Preprocessing(94,97MB)
📄 1. ESERCITAZIONE Data Preprocessing.mp4(4,01MB)
📄 2. SOLUZIONE Data Preprocessing - Punti 1, 2, 3.mp4(25,47MB)
📄 3. SOLUZIONE Data Preprocessing - Punti 4, 5, 6, 7.mp4(28,13MB)
📄 4. SOLUZIONE Data Preprocessing - Punti 8, 9, 10, 11.mp4(37,37MB)
📁7. [Teoria] La Regressione Lineare(118,31MB)
📄 1. La Regressione Lineare Semplice.mp4(25,21MB)
📄 2. il Metodo dei Minimi Quadrati.mp4(28,38MB)
📄 3. Funzioni di Costo.mp4(15,31MB)
📄 4. il Coefficiente di Determinazione.mp4(9,77MB)
📄 5. La Regressione Lineare Multipla.mp4(27,01MB)
📄 6. La Regressione Polinomiale.mp4(12,63MB)
📄 7. Altre risorse.pdf(10,46KB)
📁8. [Pratica] La Regressione Lineare(151,30MB)
📄 1. Regressione Lineare da Zero.mp4(22,02MB)
📄 2. Visualizziamo il Modello.mp4(8,50MB)
📄 3. Calcoliamo le Metriche.mp4(23,97MB)
📄 4. Regressione Lineare Multipla con scikit-learn.mp4(19,87MB)
📄 5. La Matrice di Correlazione.mp4(29,04MB)
📄 6. Regressione Polinomiale con scikit-learn.mp4(47,90MB)
📁9. [Esercitazione] La Regressione Lineare(107,56MB)
📄 1. ESERCITAZIONE Previsione del valore di abitazioni.mp4(14,24MB)
📄 2. SOLUZIONE Previsione del valore di abitazioni - Punto 1.mp4(18,36MB)
📄 3. SOLUZIONE Previsione del valore di abitazioni - Punto 2.mp4(15,34MB)
📄 4. SOLUZIONE Previsione del valore di abitazioni - Punto 3.mp4(10,09MB)
📄 5. SOLUZIONE Previsione del valore di abitazioni - Punto 4.mp4(14,40MB)
📄 6. SOLUZIONE Previsione del valore di abitazioni - Punto 5, 6 e 7.mp4(12,90MB)
📄 7. SOLUZIONE Previsione del valore di abitazioni - Punti 8 e 9.mp4(22,23MB)
📁10. [Teoria] Overfitting e Regolarizzazione(71,84MB)
📄 1. Tradeoff Bias-Varianza.mp4(14,01MB)
📄 2. Capire l'overfitting.mp4(8,39MB)
📄 3. Hold-out e Cross-validation.mp4(34,24MB)
📄 4. La Regolarizzazione L1 e L2.mp4(15,19MB)
📄 5. Altre risorse.pdf(771,00B)
📁11. [Pratica] Overfitting e Regolarizzazione(161,60MB)
📄 1. Hold-out per rionoscere l'overfitting.mp4(30,19MB)
📄 2. Cross-validation per riconoscere l'overfitting.mp4(15,08MB)
📄 3. k-fold cross-validation da zero.mp4(27,10MB)
📄 4. Leave-one-out cross-validation.mp4(26,97MB)
📄 5. Modelli Ridge, Lasso e ElasticNet.mp4(45,91MB)
📄 6. Visualizzare la Learning Curve.mp4(16,36MB)
📁12. [Esercitazione] Overfitting e Regolarizzazione(86,73MB)
📄 1. ESERCITAZIONE Regolarizzare un modello.mp4(4,81MB)
📄 2. SOLUZIONE Preprocessing.mp4(20,89MB)
📄 3. SOLUZIONE Testiamo diversi modelli.mp4(20,16MB)
📄 4. SOLUZIONE Eseguiamo la cross validation.mp4(25,19MB)
📄 5. SOLUZIONE Visualizziamo la Learning Curve.mp4(15,69MB)
📁13. [Teoria] La Classificazione(122,60MB)
📄 1. La Classificazione Binaria.mp4(22,41MB)
📄 2. La Regressione Logistica.mp4(29,30MB)
📄 3. La Classificazione Multiclasse.mp4(26,71MB)
📄 4. Metriche per la Classificazione.mp4(44,19MB)
📄 5. Altre risorse.pdf(771,00B)
📁14. [Pratica] La Classificazione(117,61MB)
📄 1. Creiamo un modello di Regressione Logistica.mp4(16,23MB)
📄 2. Visualizziamo il Decision Boundary.mp4(31,20MB)
📄 3. Creiamo la Matrice di Confusione.mp4(21,37MB)
📄 4. Classification Report (Accuracy, Precision, Recall, F1).mp4(21,28MB)
📄 5. Visualizziamo la ROC Curve.mp4(5,19MB)
📄 6. Classificazione Multiclasse - OvR e Multinomial.mp4(22,34MB)
📁15. [Esercitazione] La Classificazione(117,86MB)
📄 1. ESERCITAZIONE Riconoscere Tumori Maligni.mp4(10,44MB)
📄 2. SOLUZIONE Import e Preprocessing dei dati.mp4(20,54MB)
📄 3. SOLUZIONE Addestriamo il Modello.mp4(14,47MB)
📄 4. SOLUZIONE Valutiamo il Modello.mp4(54,69MB)
📄 5. SOLUZIONE Eseguiamo le Classificazioni.mp4(17,72MB)
📁16. [Teoria] Il Clustering(65,39MB)
📄 1. Clustering e Classificazione.mp4(19,38MB)
📄 2. L'algoritmo K-Means.mp4(18,42MB)
📄 3. Metriche per il Clustering.mp4(14,32MB)
📄 4. Determinare il numero di cluster.mp4(13,27MB)
📄 5. Altre risorse.pdf(771,00B)
📁17. [Pratica] Il Clustering(77,19MB)
📄 1. Clustering con K-Means.mp4(27,10MB)
📄 2. Valutiamo il modello - Inertia e Distortion.mp4(13,08MB)
📄 3. Visualizziamo i Cluster.mp4(23,00MB)
📄 4. Utilizzare l'elbow method.mp4(14,00MB)
📁18. [Esercitazione] Il Clustering(118,42MB)
📄 1. ESERCITAZIONE Clustering di Clienti di un Centro Commerciale.mp4(10,03MB)
📄 2. SOLUZIONE Clustering con 2 feature.mp4(66,24MB)
📄 3. SOLUZIONE Clustering con 3 feature.mp4(26,53MB)
📄 4. SOLUZIONE Utilizziamo il Modello.mp4(15,63MB)
📁 19. Certificazione(0,00B)
📁Generative AI(3,35GB)
📁1. Introduzione(43,66MB)
📄 1. Introduzione.mp4(22,07MB)
📄 2. Come lavora un modello generativo.mp4(8,88MB)
📄 3. Modelli generativi vs modelli discriminativi.mp4(12,72MB)
📄 4. Materiale del corso.pdf(5,81KB)
📁2. [Teoria]Variational Autoencoders(71,68MB)
📄 1. Latent variable models.mp4(10,80MB)
📄 2. VAE.mp4(29,67MB)
📄 3. VAE allo stato dell'arte.mp4(16,81MB)
📄 4. Limitazioni e vantaggi dei VAE.mp4(14,40MB)
📁3. [Pratica]Variational Autoencoders(121,18MB)
📄 1. Autoencoder.mp4(59,92MB)
📄 2. VAE.mp4(61,26MB)
📁4. [Esercitazione] Variational Autoencoders(37,65MB)
📄 1. [Esercitazione] Autoencoder.mp4(9,40MB)
📄 2. [Soluzione] Autoencoder.mp4(28,25MB)
📁5. [Teoria] Generative Adversarial Networks(59,43MB)
📄 1. GAN.mp4(14,42MB)
📄 2. GAN allo stato dell’arte.mp4(16,90MB)
📄 3. Differenza tra distribuzioni.mp4(14,65MB)
📄 4. Limitazioni e vantaggi delle GAN.mp4(13,47MB)
📁6. [Pratica] Generative Adversarial Networks(54,21MB)
📄 1. GAN.mp4(54,21MB)
📁7. [Esercitazione] Generative Adversarial Networks(30,66MB)
📄 1. [Esercitazione] - Generative Adversarial Networks.mp4(5,11MB)
📄 2. [Soluzione] - Generative Adversarial Networks.mp4(25,55MB)
📁8. [Teoria] Diffusion models(83,52MB)
📄 1. Introduzione ai diffusion models.mp4(20,61MB)
📄 2. Training dei diffusion model.mp4(10,41MB)
📄 3. Sampling dei diffusion model.mp4(17,86MB)
📄 4. Limitazioni e vantaggi dei diffusion model.mp4(15,83MB)
📄 5. Velocizzare i diffusion model.mp4(18,82MB)
📁9. [Pratica] Diffusion models(141,21MB)
📄 1. Diffusion models.mp4(90,29MB)
📄 2. Diffusion models parte 2.mp4(36,57MB)
📄 3. Diffusion models parte 3.mp4(14,36MB)
📁10. [Esercitazione] Diffusion models(18,77MB)
📄 1. [Esercitazione] - Diffusion models.mp4(13,38MB)
📄 2. [Soluzione] - Diffusion models.mp4(5,39MB)
📁11. [Teoria] Lavorare con le immagini(76,90MB)
📄 1. Lavorare con le immagini.mp4(25,09MB)
📄 2. Preprocessing e trasformazioni delle immagini.mp4(23,21MB)
📄 3. Metodi di valutazione della qualità dei modelli generativi nelle immagini.mp4(28,59MB)
📁12. [Pratica] Lavorare con le immagini(57,46MB)
📄 1. Lavorare con le immagini.mp4(31,91MB)
📄 2. Metodi di valutazione dei modelli generativi.mp4(25,55MB)
📁13. [Teoria] Modelli probabilistici e ricorrenti(118,45MB)
📄 1. Modelli generativi probabilistici (N-Gram).mp4(30,11MB)
📄 2. Language Model con N-Grammi.mp4(20,47MB)
📄 3. Limitazioni e problemi degli N-Grammi.mp4(16,98MB)
📄 4. Modelli Generativi Ricorrenti.mp4(32,34MB)
📄 5. Limitazioni delle Reti Ricorrenti come Modelli Generativi.mp4(18,55MB)
📁14. [Pratica] Modelli probabilistici e ricorrenti(458,25MB)
📄 1. Preprocessing e creazione degli N-Grammi.mp4(73,78MB)
📄 2. Costruiamo un Language Model.mp4(112,92MB)
📄 3. Modelli generativi ricorrenti.mp4(36,52MB)
📄 4. Scomparsa del Gradiente.mp4(61,98MB)
📄 5. Creazione del corpus e K-Smoothing.mp4(49,92MB)
📄 6. BackOff e Interpolation.mp4(36,90MB)
📄 7. Creazione del Language Model.mp4(64,59MB)
📄 8. Generazione del testo con il Language Model.mp4(21,64MB)
📁15. [Esercitazione] Modelli probabilistici e ricorrenti(238,07MB)
📄 1. [Esercitazione] Generare Alice in Wonderland con LSTM.mp4(9,29MB)
📄 2. [Soluzione] Generare Alice in Wonderland con LSTM parte 1.mp4(37,10MB)
📄 3. [Soluzione] Generare Alice in Wonderland con LSTM parte 2.mp4(53,40MB)
📄 4. [Soluzione] Generare Alice in Wonderland con LSTM parte 3.mp4(12,67MB)
📄 5. [Esercitazione] Generatore di testo a tema medico.mp4(5,80MB)
📄 6. [Soluzione] Generatore di testo a tema medico parte 1.mp4(68,88MB)
📄 7. [Soluzione] Generatore di testo a tema medico parte 2.mp4(50,93MB)
📁16. [Teoria] Modelli Transformers(83,33MB)
📄 1. Modelli Transformers - Encoders e Attention.mp4(39,20MB)
📄 2. Modelli Transformers - Decoders.mp4(21,05MB)
📄 3. Modelli Transformers - Limitazioni e Vantaggi dei modelli Transformers.mp4(23,08MB)
📁17. [Pratica] Modelli Transformers(310,86MB)
📄 1. Transformer Attention & Encoder.mp4(79,69MB)
📄 2. Architettura Decoder e Masked Self Attention.mp4(45,86MB)
📄 3. Costruzione di un Architettura Decoder.mp4(58,84MB)
📄 4. Parte 1 - Architettura Encoder-Decoder Transformers.mp4(39,59MB)
📄 5. Parte 2 - Definiamo il DataLoader e l'architettura Encoder-Decoder.mp4(50,35MB)
📄 6. Parte 3 - Lanciamo il training del modello.mp4(36,52MB)
📁18. [Esercitazione]Modelli Transformers(124,56MB)
📄 1. [Esercitazione] Generare dei Dialoghi con Transformers Encoder-Decoder.mp4(15,79MB)
📄 2. [Soluzione] Generare dei Dialoghi con Transformers Encoder-Decoder.mp4(57,12MB)
📄 3. [Soluzione] Generare dei Dialoghi con Transformers Encoder-Decoder parte 2.mp4(51,65MB)
📁19. [Teoria] Large Language Models(147,74MB)
📄 1. Reinforcement Learning from Human Feedback.mp4(45,74MB)
📄 2. Prompt Engineering.mp4(102,00MB)
📁20. [Pratica] Large Language Models(198,56MB)
📄 1. Parte 1 - Generazione di riassunti con il modello T5.mp4(59,06MB)
📄 2. Parte 2 - Continuazione di input di testo con il modello GPT2.mp4(37,85MB)
📄 3. Carichiamo un modello generativo e scriviamo i primi prompt.mp4(72,37MB)
📄 4. Tecniche di prompting - Chain of Tought and Self-Consistency.mp4(29,28MB)
📁21. [Esercitazione] Large Language Models(110,64MB)
📄 1. [Esercitazione] Risolvere problemi di Sentiment Analysis con LLM e Prompt Engineering.mp4(13,88MB)
📄 2. [soluzione] [Esercitazione] Risolvere problemi di Sentiment Analysis con LLM e Prompt Engineering.mp4(44,63MB)
📄 3. [soluzione] Risolvere problemi di Sentiment Analysis con LLM e Prompt Engineering parte 2.mp4(52,12MB)
📁22. [Teoria] Lavorare con il testo(219,81MB)
📄 1. Preprocessing e trasformazione del testo.mp4(58,72MB)
📄 2. Metodi di valutazione della qualità dei modelli generativi nel testo.mp4(53,47MB)
📄 3. Interpretabilità dei modelli Generativi.mp4(60,07MB)
📄 4. Metodi di Decoding.mp4(47,55MB)
📁23. [Pratica] Lavorare con il testo(523,92MB)
📄 1. Vediamo i diversi modi di tokenizzare un testo.mp4(51,40MB)
📄 2. Padding e Truncation.mp4(40,04MB)
📄 3. Metodi di valutazione della qualità dei modelli generativi - Perplexity.mp4(83,44MB)
📄 4. Metodi di valutazione della qualità dei modelli generativi - ROUGE.mp4(100,45MB)
📄 5. Metodi di valutazione della qualità dei modelli generativi - BLEU.mp4(73,53MB)
📄 6. Interpretabilità dei modelli Generativi.mp4(101,60MB)
📄 7. Metodi di Decoding.mp4(73,45MB)
📁24. [Esercitazione] Lavorare con il testo(96,25MB)
📄 1. Confrontare e valutare i metodi di decoding degli LLM generativi.mp4(9,81MB)
📄 2. [Soluzione] Confrontare e valutare i metodi di decoding degli LLM generativi.mp4(42,05MB)
📄 3. [Soluzione]Confrontare e valutare i metodi di decoding degli LLM generativi parte 2.mp4(44,40MB)
📁 25. Certificazione(0,00B)
📁Guida Completa a Google Colab(250,11MB)
📁1. Google Colab(250,11MB)
📄 1. Comandi di base.mp4(41,85MB)
📄 2. Utilizzo di Markdown.mp4(36,55MB)
📄 3. Utilizzo di LaTeX.mp4(15,80MB)
📄 4. Approfondimenti su LaTeX.pdf(7,75KB)
📄 5. Eseguire codice Python.mp4(22,72MB)
📄 6. Creare Grafici e Visualizzazioni.mp4(6,39MB)
📄 7. Storage e Google Drive.mp4(43,38MB)
📄 8. I Magic Command.mp4(24,66MB)
📄 9. Approfondimenti sui Magic Command.pdf(7,98KB)
📄 10. Gli Shell Command.mp4(31,01MB)
📄 11. Approfondimenti sugli Shell Command.pdf(8,03KB)
📄 12. Realizzare Form.mp4(15,79MB)
📄 13. Approfondimenti sui Form.pdf(7,50KB)
📄 14. Usare la GPU.mp4(11,94MB)
📁Live Session(21,80GB)
📁1. Welcome Days(1,64GB)
📄 1. Welcome Day A.I. Engineering.mp4(320,99MB)
📄 2. Welcome Day Newell24.mp4(136,24MB)
📄 3. Welcome Day Settembre.mp4(240,10MB)
📄 4. Welcome Day 23 Settembre.mp4(135,63MB)
📄 5. Welcome Day Hopfield24.mp4(207,42MB)
📄 6. Welcome Day Minsky24.mp4(462,10MB)
📄 7. Welcome Day Turing24.mp4(181,91MB)
📁2. Masterlecture(6,68GB)
📄 1. Master Lecture con Diego Pratò - utilizzare i dati in ambito medico..mp4(436,26MB)
📄 2. Preprocessoring dei dati con Gianluca Malato.mp4(198,51MB)
📄 3. Basi di Statistica Inferenziale con Marco Cerri.mp4(331,17MB)
📄 3. CERRI_Corso_di_Statistica_Inferenziale.pdf(3,30MB)
📄 4. Master Lecture con Stefano Gatti.mp4(267,38MB)
📄 4. stafano-gatti-presentazione.pdf(4,43MB)
📄 5. Master Lecture con Andrea Palladino.mp4(260,69MB)
📄 5. ProfessionAI-Palladino.pdf(13,04MB)
📄 6. Master Lecture con Raffaele Miele.mp4(293,60MB)
📄 6. professionai.zip(17,53MB)
📄 7. Master Lecture con Eugenio Zuccarelli.mp4(260,04MB)
📄 8. Master Lecture con Andrea Isoni.mp4(279,04MB)
📄 8. MasterclassProfessionAI.pdf(885,90KB)
📄 9. Master Lecture con Chiara Martino.mp4(219,66MB)
📄 10. Master Lecture con Gianluca Malato - Modello di machine learning supervisionato.mp4(293,56MB)
📄 10. Master_Lecture_Esempio_di_progetto.ipynb(857,04KB)
📄 11. Master Lecture con Fabio Oberto.mp4(216,06MB)
📄 12. Master Lecture con Emanuele Fabbiani.mp4(250,74MB)
📄 13. Esempio di un progetto di clustering.ipynb(463,79KB)
📄 13. Master Lecture con Gianluca Malato - Esempio di un progetto di clustering.mp4(232,15MB)
📄 14. Master Lecture con Leonardo Cotronei - Data Analytics, il punto di vista di Wind Tre.mp4(326,09MB)
📄 15. 4.7.2024 - Master lecture con Gianluca Malato - I test d'ipotesi statistica.mp4(185,86MB)
📄 15. ink_notebook.txt.txt(105,00B)
📄 16. Master lecture con Alberto Marocchino - IL forecast nel mondo aziendale.mp4(289,60MB)
📄 17. Master Lecture con Roberto Cadili - Meet KNIME and A Friendly Introduction to Codeless AI.mp4(168,20MB)
📄 18. httpscolab.research.google.comdrive.txt(95,00B)
📄 18. Master Lecture con Gianluca Malato - La selezione delle variabili.mp4(175,80MB)
📄 19. Master Lecture con Andrea Palladino - Un’introduzione alle reti neurali e al Deep Learning.mp4(368,37MB)
📄 20. Master Lecture con Chiara Mugnai - Dati geospaziali.mp4(231,82MB)
📄 20. Slide Master Lecture con Chiara Mugnai sui dati geospaziali.pdf(3,12MB)
📄 21. bias.txt(85,00B)
📄 21. Master Lecture con Gianluca malato - Il bias-variance tradeoff.mp4(148,83MB)
📄 22. allegato live.docx(12,96KB)
📄 22. Master Lecture con Gianluca Malato - Analisi dei principali sistemi di raccomandazione.mp4(178,05MB)
📄 23. Master Lecture con Luca Sambucci Le tre dimensioni dell'AI nella cybersecurity Difesa, Minaccia e Vulnerabilità.mp4(314,55MB)
📄 24. link materlecture.docx(12,99KB)
📄 24. Master Lecture con Gianluca Malato - L'analisi esplorativa dei dati.mp4(210,42MB)
📄 25. Master Lecture con Michele Lancellotti - L'intelligenza artificiale generativa in azione.mp4(298,60MB)
📄 25. RoccoMicheleLancellotti - RCS Profession AI - Generative AI in Publishing ...stries.pdf(4,96MB)
📄 26. Master Lecture con Mariella Borghi - Intelligenza Artificiale - un viaggio tra storia, tecnologia ed etica.mp4(354,01MB)
📁3. Coaching Session(13,47GB)
📄 1. Coaching Session con Gemma Martini - Python, Statistica ed Excel.mp4(440,55MB)
📄 2. Coaching Session con Giuseppe Dejan Lucido.mp4(1,22GB)
📄 3. Coaching Session con Gianluca Malato.mp4(727,11MB)
📄 4. Coaching Session con Gemma Martini.mp4(460,33MB)
📄 5. Coaching Session con Gloria Longo.mp4(651,28MB)
📄 6. Coaching Session con Dejan Lucido.mp4(712,90MB)
📄 7. Coaching Session con Gloria Longo e Giuseppe.mp4(294,11MB)
📄 8. Coaching Session con Pietro Odolini.mp4(578,81MB)
📄 9. Coaching Session con Gloria Longo.mp4(365,63MB)
📄 10. Coaching Session con Giuseppe Gullo.mp4(819,44MB)
📄 11. Coaching Session con Gloria Longo.mp4(627,07MB)
📄 12. Coaching Session con Gianluca Malato - Analisi statistica univariata e multivariata.mp4(478,43MB)
📄 13. Coaching Session con Gianluca Malato - Analisi statistica con Excel.mp4(393,20MB)
📄 14. Coaching Session con Dejan Lucido - Analisi statistica.mp4(612,62MB)
📄 15. Coaching Session con Gloria Longo - Machine Learning.mp4(565,10MB)
📄 16. 27.6.2024 - Coaching session con Gianluca Malato - Python.mp4(441,33MB)
📄 17. Coaching Session con Gianluca Malato - Machine Learning.mp4(489,24MB)
📄 18. Coaching session con Pietro Odolini.mp4(292,43MB)
📄 19. Coaching Session con Gianluca Malato - Machine Learning.mp4(489,56MB)
📄 20. Coaching Session con Gianluca Malato - Python.mp4(423,72MB)
📄 21. 29-08-2024 Coaching Session con Gianluca Malato - Python.mp4(488,94MB)
📄 22. 12-09-24 Coaching Session con Gianluca.mp4(365,97MB)
📄 23. 26-09-24 Coaching Session con Gianluca Malato - Python.mp4(312,36MB)
📄 24. 10-10-2024 Coaching Session con Gianluca Malato - Python.mp4(372,60MB)
📄 25. 24-10-2024 Coaching Session con Gianluca Malato - Python.mp4(225,58MB)
📄 26. 7-11-2024 Coaching Session con Gianluca Malato - Python.mp4(309,18MB)
📄 27. 21-11-2024 Coaching Session con Gianluca Malato - Analisi dati.mp4(215,39MB)
📄 28. 5-12-2024 Coaching Session con Gianluca Malato - Analisi dati.mp4(203,79MB)
📄 29. 19-12-2024 Coaching Session con Gianluca Malato.mp4(185,99MB)
📁Machine Learning - Modelli e Algoritmi(1,78GB)
📁1. Introduzione al corso(9,21MB)
📄 1. Introduzione al corso.mp4(9,21MB)
📄 2. Materiale del corso.pdf(771,00B)
📁2. [Teoria] Gradient Descent e Algoritmi di Ottimizzazione(80,41MB)
📄 1. Derivate e Gradienti.mp4(21,82MB)
📄 2. Funzionamento del Gradient Descent.mp4(20,24MB)
📄 3. Mini Batch e Stochasting Gradient Descent.mp4(38,34MB)
📄 4. Fai il DeepTest.pdf(7,06KB)
📁3. [Pratica] Gradient Descent e Algoritmi di Ottimizzazione(158,57MB)
📄 1. Regressione con il Gradient Descent.mp4(39,82MB)
📄 2. Classificazione con il Gradient Descent.mp4(15,18MB)
📄 3. Learning Rate Costante e Adattivo.mp4(17,65MB)
📄 4. Mini batch Gradient Descent con il Partial Fit.mp4(35,12MB)
📄 5. Visualizziamo il Training History.mp4(21,56MB)
📄 6. Utilizzare l'Early Stopping.mp4(29,24MB)
📁4. [Esercitazione] Gradient Descent e Algoritmi di Ottimizzazione(94,42MB)
📄 1. ESERCITAZIONE Mini Batch e Online Learning.mp4(12,37MB)
📄 2. SOLUZIONE Prepariamo i dati per l'addestramento.mp4(18,02MB)
📄 3. SOLUZIONE Usiamo la nostra funzione fit per l'addestramento_temp.mp4(47,99MB)
📄 4. SOLUZIONE Miglioriamo il modello su nuovi dati.mp4(16,04MB)
📁5. [Teoria] Modelli Parametrici e Non Parametrici(19,02MB)
📄 1. I Modelli Parametrici.mp4(8,30MB)
📄 2. I Modelli Non Parametrici.mp4(3,66MB)
📄 3. Parametrico o Non Parametrico.mp4(7,05MB)
📄 4. Fai il DeepTest.pdf(7,05KB)
📁6. [Teoria] Naive Bayes(69,22MB)
📄 1. La Probabilità Condizionata.mp4(10,20MB)
📄 2. il Teorema di Bayes.mp4(7,60MB)
📄 3. Un Esempio di Teorema di Bayes.mp4(12,03MB)
📄 4. Gli Algoritmi Naive Bayes.mp4(39,39MB)
📄 5. Fai il DeepTest.pdf(7,02KB)
📁7. [Pratica] Naive Bayes(262,70MB)
📄 1. Gaussian Naive Bayes.mp4(35,62MB)
📄 2. Bernoulli Naive Bayes.mp4(75,56MB)
📄 3. Multinomial Naive Bayes.mp4(51,85MB)
📄 4. Complement Naive Bayes.mp4(42,35MB)
📄 5. Categorical Naive Bayes.mp4(57,33MB)
📁8. [Esercitazione] Naive Bayes(97,23MB)
📄 1. ESERCITAZIONE Classificare e-mail come Spam.mp4(11,66MB)
📄 2. SOLUZIONE 1 Preprocessing del dataset.mp4(22,68MB)
📄 3. SOLUZIONE 2 Bernoulli Naive Bayes.mp4(19,62MB)
📄 4. SOLUZIONE 3 Multinomial Naive Bayes.mp4(12,81MB)
📄 5. SOLUZIONE 4 Complement Naive Bayes.mp4(17,15MB)
📄 6. SOLUZIONE 5 Riconoscere e-mail di Spam.mp4(13,31MB)
📁9. [Teoria] SVM - Support-Vector Machines(99,05MB)
📄 1. Support Vector Classifier.mp4(35,60MB)
📄 2. SVC e Relazioni non Lineari.mp4(28,53MB)
📄 3. I Kernel e il Kernel Trick.mp4(34,92MB)
📄 4. Fai il DeepTest.pdf(7,05KB)
📁10. [Pratica] SVM - Support-Vector Machines(158,87MB)
📄 1. Creiamo un Maximal Margin Classifier.mp4(11,70MB)
📄 2. Visualizziamo i Soft Margin.mp4(29,77MB)
📄 3. Creiamo un Linear SVM.mp4(30,45MB)
📄 4. Rimuoviamo un Outlier dal Modello.mp4(20,85MB)
📄 5. Rimuoviamo tutti gli Outlier dal Modello.mp4(16,67MB)
📄 6. SVM con Kernel Lineare.mp4(26,23MB)
📄 7. SVM con Kernel Polinomiale.mp4(9,33MB)
📄 8. SVM con Kernel Sigmoideo.mp4(5,78MB)
📄 9. SVM con Kernel Gaussiano (RBF).mp4(8,11MB)
📁11. [Esercitazione] SVM - Support-Vector Machines(81,60MB)
📄 1. ESERCITAZIONE Previsione del rischio di infarto.mp4(13,30MB)
📄 2. SOLUZIONE Importiamo ed esploriamo il dataset.mp4(19,30MB)
📄 3. SOLUZIONE Preprocessiamo i dati.mp4(15,40MB)
📄 4. SOLUZIONE Realizziamo un modello baseline.mp4(10,75MB)
📄 5. SOLUZIONE Proviamo con le SVM.mp4(22,85MB)
📁12. [Teoria] Neural Networks(92,76MB)
📄 1. Il Neurone Artificiale.mp4(15,54MB)
📄 2. Le Funzioni di Attivazione.mp4(10,45MB)
📄 3. Il Multilayer Perceptron.mp4(42,37MB)
📄 4. Addestramento di una Deep Neural Network.mp4(17,44MB)
📄 5. L'Universal Approximation Theorem.mp4(6,95MB)
📄 6. Fai il DeepTest.pdf(7,02KB)
📁13. [Pratica] Neural Networks(126,71MB)
📄 1. Creiamo il dataset.mp4(15,77MB)
📄 2. Addestriamo un Perceptron.mp4(18,27MB)
📄 3. Confrontiamo con una Regressione Logistica.mp4(16,81MB)
📄 4. Addestriamo il Multilayer Perceptron.mp4(23,23MB)
📄 5. Esploriamo gli strati della rete.mp4(33,71MB)
📄 6. A cosa serve la funzione di attivazione.mp4(18,92MB)
📁14. [Esercitazione] Neural Networks(161,71MB)
📄 1. ESERCITAZIONE Classificazione di cifre scritte a mano.mp4(20,09MB)
📄 2. SOLUZIONE Scarichiamo e comprendiamo il dataset.mp4(26,34MB)
📄 3. SOLUZIONE Carichiamo i dati e visualizziamo le immagini.mp4(22,21MB)
📄 4. SOLUZIONE Preprocessiamo le immagini.mp4(20,38MB)
📄 5. SOLUZIONE Addestriamo il Multilayer Perceptron.mp4(11,74MB)
📄 6. SOLUZIONE Visioniamo gli errori della rete.mp4(42,65MB)
📄 7. SOLUZIONE Ne è valsa la pena.mp4(18,31MB)
📁15. [Teoria] K-NN - K-Nearest Neighbors(43,75MB)
📄 1. Introduzione ai Nearest Neighbors.mp4(7,10MB)
📄 2. KNN K-Nearest Neighbors.mp4(18,17MB)
📄 3. Metriche per la Distanza.mp4(7,65MB)
📄 4. RNN Radius Nearest Neighbors.mp4(10,82MB)
📄 5. Fai il DeepTest.pdf(7,05KB)
📁16. [Pratica] K-NN - K-Nearest Neighbors(116,28MB)
📄 1. Addestriamo un modello KNN.mp4(37,51MB)
📄 2. Visualizziamo i K Nearest Neighbors.mp4(26,63MB)
📄 3. Addestriamo un modello RNN.mp4(26,81MB)
📄 4. Visualizziamo i Nearest Neighbors dentro il raggio.mp4(25,33MB)
📁17. [Esercitazione] K-NN - K-Nearest Neighbors(98,54MB)
📄 1. ESERCITAZIONE Face Recognition.mp4(3,77MB)
📄 2. SOLUZIONE Come aprire un'immagine con OpenCV.mp4(17,34MB)
📄 3. SOLUZIONE Caricare le immagini in un'array.mp4(17,03MB)
📄 4. SOLUZIONE Preprocessiamo i dati.mp4(10,33MB)
📄 5. SOLUZIONE Addestriamo il modello.mp4(8,32MB)
📄 6. SOLUZIONE Proviamo con una nostra foto.mp4(41,76MB)
📁18. [Teoria] Decision Tree e Random Forest(13,60MB)
📄 1. Alberi decisionali.mp4(9,85MB)
📄 2. Random Forest.mp4(3,74MB)
📁19. [Pratica] Decision Tree e Random Forest(34,84MB)
📄 1. Alberi decisionali.mp4(20,14MB)
📄 2. Random Forest.mp4(14,70MB)
📁 20. Certificazione(0,00B)
📁MLOps e Machine Learning in Produzione(2,09GB)
📁1. [Teoria] Introduzione(113,58MB)
📄 1. Cos’è MLOps.mp4(38,56MB)
📄 2. MLOps maturity model.mp4(17,22MB)
📄 3. Machine learning engineering vs data science.mp4(24,31MB)
📄 4. Tech stack per MLOps.mp4(33,27MB)
📄 5. Materiali corso.pdf(112,86KB)
📄 6. Fai il Deeptest.pdf(113,14KB)
📁2. [pratica] Introduzione(79,92MB)
📄 1. Introduzione a GitHub e Codespaces.mp4(36,39MB)
📄 2. Introduzione a Hugging Face.mp4(29,64MB)
📄 3. Caso studio per il corso.mp4(13,89MB)
📁3. [Teoria] Ambienti virtuali e controllo versione(58,28MB)
📄 1. Ambienti virtuali in Python.mp4(22,69MB)
📄 2. Controllo versione del codice.mp4(18,45MB)
📄 3. Versionamento di modelli e model registry.mp4(17,03MB)
📄 4. Fai il Deeptest.pdf(113,17KB)
📁4. [Pratica] Ambienti virtuali e controllo versione(108,44MB)
📄 1. Creare e gestire un ambiente virtuale.mp4(37,33MB)
📄 2. Creare e gestire un ambiente virtuale Parte 2.mp4(13,32MB)
📄 3. Funzionamento di Git.mp4(34,22MB)
📄 4. Funzionamento di Git parte 2.mp4(23,57MB)
📁5. [esercitazione] Ambienti virtuali e controllo versione(56,17MB)
📄 1. Sviluppare in ambienti virtuali con controllo versione.mp4(4,43MB)
📄 2. [Soluzione] Sviluppare in ambienti virtuali con controllo versione.mp4(51,74MB)
📁6. [Teoria] Model serving con FastAPI(83,25MB)
📄 1. Servire un modello per l’inferenza.mp4(22,07MB)
📄 2. HTTP e RESTful API.mp4(27,38MB)
📄 3. Framework Python per lo sviluppo API.mp4(33,80MB)
📁7. [Pratica] Model serving con FastAPI(151,17MB)
📄 1. Interagire con un API in Python.mp4(38,00MB)
📄 2. Introduzione a FastAPI.mp4(32,00MB)
📄 3. Introduzione a FastAPI Parte 2.mp4(32,17MB)
📄 4. Introduzione a FastAPI Parte 3.mp4(19,09MB)
📄 5. Introduzione a FastAPI Parte 4.mp4(29,90MB)
📁8. [Esercitazione] Model serving con FastAPI(68,77MB)
📄 1. Sviluppare un’API per il serving di un modello.mp4(6,53MB)
📄 2. [Soluzione] Sviluppare un’API per il serving di un modello.mp4(45,11MB)
📄 3. [Soluzione] Sviluppare un’API per il serving di un modello Parte 2.mp4(17,13MB)
📁9. [Teoria] Test di sviluppo(49,70MB)
📄 1. L’importanza di fare test in fase di sviluppo.mp4(15,01MB)
📄 2. Tipologie di test.mp4(18,36MB)
📄 3. Linting e formatting.mp4(16,21MB)
📄 4. Fai il Deeptest.pdf(113,15KB)
📁10. [Pratica] Test di sviluppo(45,90MB)
📄 1. Introduzione a Pytest.mp4(45,90MB)
📁11. [Esercitazione] Test di sviluppo(47,53MB)
📄 1. Scrivere ed eseguire test in sviluppo.mp4(4,30MB)
📄 2. [Soluzione] Scrivere ed eseguire test in sviluppo.mp4(43,24MB)
📁12. [Teoria] Docker container e deployment(50,20MB)
📄 1. Cosa vuol dire fare un deployment.mp4(21,35MB)
📄 2. Cosa sono i container.mp4(16,41MB)
📄 3. Introduzione a Docker.mp4(12,33MB)
📄 4. Fai il Deeptest.pdf(113,16KB)
📁13. [Pratica] Docker container e deployment(46,78MB)
📄 1. Scrivere un Dockerfile.mp4(14,40MB)
📄 2. Costruire, registrare e istanziare una Docker image.mp4(32,38MB)
📁14. [Teoria] Pipeline CI⁄CD con GitHub Actions(150,55MB)
📄 1. Cos’è e a cosa serve la CI⁄CD.mp4(27,74MB)
📄 2. Le fasi di una pipeline CI⁄CD.mp4(97,39MB)
📄 3. Servizi per la CI⁄CD.mp4(25,30MB)
📄 4. Fai il Deeptest.pdf(113,17KB)
📁15. [Pratica] Pipeline CI⁄CD con GitHub Actions(157,82MB)
📄 1. Introduzione a GitHub Actions.mp4(99,01MB)
📄 2. CD.mp4(58,80MB)
📁16. [Esercitazione] Pipeline CI⁄CD con GitHub Actions(73,01MB)
📄 1. Costruire una pipeline CI⁄CD.mp4(12,80MB)
📄 2. [Soluzione] Costruire una pipeline CI⁄CD.mp4(60,22MB)
📁17. [Teoria] Sistemi di monitoraggio(256,86MB)
📄 1. Docker compose.mp4(49,95MB)
📄 2. Cosa monitorare in produzione.mp4(78,70MB)
📄 3. Data drift e concept drift.mp4(44,53MB)
📄 4. Grafana, intro.mp4(83,57MB)
📄 5. Fai il Deeptest.pdf(113,15KB)
📁18. [Pratica] Sistemi di monitoraggio(130,95MB)
📄 1. Docker compose.mp4(29,60MB)
📄 2. Grafana intro.mp4(59,11MB)
📄 3. Alert e notifiche, Grafana.mp4(42,24MB)
📁19. [Esercitazione] Sistemi di monitoraggio(58,07MB)
📄 1. Costruire un sistema di monitoraggio.mp4(7,07MB)
📄 2. [Soluzione] Costruire un sistema di monitoraggio.mp4(51,00MB)
📁20. [Teoria] Orchestrare le pipeline(81,75MB)
📄 1. Cos’è un orchestratore.mp4(81,64MB)
📄 2. Fai il Deeptest.pdf(113,15KB)
📁21. [Pratica] Orchestrare le pipeline(199,80MB)
📄 1. Setup ambiente.mp4(31,94MB)
📄 2. Introduzione ad Airflow.mp4(53,49MB)
📄 3. Creare un dag.mp4(55,82MB)
📄 4. Returned Value.mp4(58,56MB)
📁22. [Esercitazione] Orchestrare le pipeline(69,07MB)
📄 1. Orchestrare una pipeline.mp4(6,21MB)
📄 2. [Soluzione] Orchestrare una pipeline.mp4(62,85MB)
📁 23. Certificazione(0,00B)
📁Programmazione ad alte prestazioni con C++(3,25GB)
📁1. [Teoria] Preparazione all’ambiente di lavoro(58,38MB)
📄 1. Sviluppare in CC++ con Visual Studio Code in Windows.mp4(34,91MB)
📄 2. Sviluppare in C C++ con Visual Studio Code in Linux.mp4(23,47MB)
📄 3. Materiale.pdf(5,83KB)
📁2. [Pratica] Preparazione all’ambiente di lavoro(113,69MB)
📄 1. Sviluppare in CC++ con Visual Studio Code in Windows.mp4(75,39MB)
📄 2. IL tuo primo progetto.mp4(38,30MB)
📁3. [Teoria] Linguaggi di programmazione compilati ed interpretati(22,40MB)
📄 1. Linguaggi interpretati vs compilati.mp4(22,40MB)
📁4. [Teoria] Introduction to C(65,96MB)
📄 1. Tipi di dato.mp4(33,33MB)
📄 2. Puntatori.mp4(14,93MB)
📄 3. Contenitori.mp4(17,70MB)
📁5. [Pratica] Introduction to C(222,34MB)
📄 1. Tipi di dato - interi.mp4(61,23MB)
📄 2. Tipi di dati - Float e double.mp4(42,68MB)
📄 3. Tipi di dati - Char.mp4(25,73MB)
📄 4. Tipi di dati - booleani.mp4(21,79MB)
📄 5. Puntatori.mp4(22,04MB)
📄 6. Contenitori stringhe.mp4(48,88MB)
📁6. [Esercitazione] Introduction to C(210,33MB)
📄 1. Tipi di dati - interi.mp4(42,90MB)
📄 2. Tipi di dati - Float e double.mp4(52,44MB)
📄 3. Tipi di dati - Char.mp4(26,93MB)
📄 4. Contenitori - stringhe.mp4(40,59MB)
📄 5. Tipi di dati - booleani.mp4(20,00MB)
📄 6. Puntatori.mp4(27,46MB)
📁7. [Teoria] Execution Control(86,35MB)
📄 1. Operatori di paragone.mp4(4,59MB)
📄 2. Costrutto if.mp4(13,27MB)
📄 3. Operatori logici.mp4(16,79MB)
📄 4. Costrutto switch.mp4(21,79MB)
📄 5. Ciclo while.mp4(9,50MB)
📄 6. Ciclo for.mp4(8,99MB)
📄 7. Break e continue.mp4(11,42MB)
📁8. [Pratica] Execution Control(329,45MB)
📄 1. Operatori di paragone.mp4(40,18MB)
📄 2. Costrutto if.mp4(68,77MB)
📄 3. Operatori logici.mp4(26,52MB)
📄 4. Break e continue.mp4(20,16MB)
📄 5. Ciclo while.mp4(39,15MB)
📄 6. Contenitori.mp4(48,76MB)
📄 7. Costrutto switch.mp4(58,42MB)
📄 8. Ciclo for.mp4(27,49MB)
📁9. [Esercitazione] Execution Control(256,23MB)
📄 1. Operatori di paragone.mp4(25,39MB)
📄 2. Costrutto if.mp4(15,63MB)
📄 3. Operatori logici.mp4(32,99MB)
📄 4. Costrutto switch.mp4(50,81MB)
📄 5. Ciclo for.mp4(35,35MB)
📄 6. Ciclo while.mp4(33,63MB)
📄 7. Break e continue.mp4(21,72MB)
📄 8. Contenitori.mp4(40,70MB)
📁10. [Teoria] Strumenti di programmazione(61,26MB)
📄 1. Funzioni.mp4(21,62MB)
📄 2. User input.mp4(15,23MB)
📄 3. File access.mp4(24,41MB)
📁11. [Pratica] Strumenti di programmazione(169,03MB)
📄 1. Funzioni.mp4(61,49MB)
📄 2. User input.mp4(53,05MB)
📄 3. File access.mp4(54,48MB)
📁12. [Esercitazione] Strumenti di programmazione(165,77MB)
📄 1. Funzioni.mp4(76,50MB)
📄 2. User input.mp4(31,29MB)
📄 3. File access.mp4(57,98MB)
📁13. [Teoria] C++, advanced C and OOP(43,44MB)
📄 1. C e C++ le differenze.mp4(5,33MB)
📄 2. Passaggio per riferimento.mp4(3,56MB)
📄 3. Overloading di funzione.mp4(5,32MB)
📄 4. Namespaces.mp4(5,50MB)
📄 5. Argomenti di default.mp4(3,27MB)
📄 6. Incapsulamento dei dati.mp4(8,84MB)
📄 7. Operatori new e delete.mp4(11,61MB)
📁14. [Pratica] C++, advanced C and OOP(221,40MB)
📄 1. Passaggio per riferimento.mp4(23,98MB)
📄 2. Namespaces.mp4(56,28MB)
📄 3. Overloading di funzione.mp4(32,28MB)
📄 4. Argomenti di default.mp4(17,48MB)
📄 5. Struct.mp4(58,19MB)
📄 6. Operatori new e delete.mp4(33,18MB)
📁15. [Esercitazione] C++, advanced C and OOP(167,42MB)
📄 1. Passaggio per riferimento.mp4(18,98MB)
📄 2. Namespaces.mp4(35,70MB)
📄 3. Overloading di funzione.mp4(23,98MB)
📄 4. Operatori New e Delete.mp4(31,19MB)
📄 5. Argomenti di default.mp4(23,15MB)
📄 6. Struct.mp4(34,43MB)
📁16. [Teoria] OOP(134,53MB)
📄 1. OOP.mp4(8,46MB)
📄 2. Classi.mp4(6,92MB)
📄 3. Override di funzione.mp4(3,85MB)
📄 4. Ereditarietà multipla.mp4(8,02MB)
📄 5. Ereditarietà virtuale.mp4(20,27MB)
📄 6. Costruttori specifici.mp4(8,73MB)
📄 7. Distruttori.mp4(8,54MB)
📄 8. Access modifiers.mp4(15,84MB)
📄 9. Ereditarietà.mp4(11,09MB)
📄 10. Costruttori di defaullt.mp4(7,21MB)
📄 11. Friend functions.mp4(8,46MB)
📄 12. Friend classes.mp4(4,35MB)
📄 13. Polimorfismo.mp4(9,25MB)
📄 14. Funzioni virtuali.mp4(4,38MB)
📄 15. Funzioni puramente virtuali.mp4(9,14MB)
📁17. [Pratica] OOP(400,17MB)
📄 1. Classi.mp4(25,90MB)
📄 2. Override di funzione.mp4(24,97MB)
📄 3. Ereditarietà multipla.mp4(49,72MB)
📄 4. Ereditarietà virtuale.mp4(44,28MB)
📄 5. Costruttori di default.mp4(16,74MB)
📄 6. Costruttori specifici.mp4(21,25MB)
📄 7. Distruttori.mp4(22,11MB)
📄 8. Access modifiers.mp4(44,66MB)
📄 9. Ereditarietà.mp4(30,42MB)
📄 10. Friend functions.mp4(24,12MB)
📄 11. Friend classes.mp4(27,87MB)
📄 12. Polimorfismo.mp4(26,96MB)
📄 13. Funzioni virtuali.mp4(10,67MB)
📄 14. Funzioni puramente virtuali.mp4(17,03MB)
📄 15. Overloading di operatori.mp4(13,46MB)
📁18. [Esercitazione] OOP(467,52MB)
📄 1. Classi.mp4(37,40MB)
📄 2. Override di funzione.mp4(25,90MB)
📄 3. Ereditarietà multipla.mp4(39,81MB)
📄 4. Ereditarietà virtuale.mp4(32,12MB)
📄 5. Costruttori di default.mp4(15,95MB)
📄 6. Costruttori specifici.mp4(22,86MB)
📄 7. Distruttori.mp4(21,23MB)
📄 8. Access modifiers.mp4(41,11MB)
📄 9. Ereditarietà.mp4(35,06MB)
📄 10. Friend functions.mp4(35,98MB)
📄 11. Friend classes.mp4(58,80MB)
📄 12. Polimorfismo.mp4(34,45MB)
📄 13. Funzioni virtuali.mp4(25,08MB)
📄 14. Funzioni puramente virtuali.mp4(22,72MB)
📄 15. Overloading di operatori.mp4(19,05MB)
📁19. [Teoria] C++ e Python(49,74MB)
📄 1. Comunicazione tra C, C++ e Python.mp4(49,74MB)
📁20. [Pratica] C++ e Python(49,12MB)
📄 1. Comunicazione tra C, C++ e Python.mp4(49,12MB)
📁21. [Esercitazione] C++ e Python(32,16MB)
📄 1. Comunicazione tra C, C++ e Python.mp4(32,16MB)
📁 22. Certificazione(0,00B)
📁Programmazione con Python(2,51GB)
📁1. Introduzione al corso(55,53MB)
📄 1. Introduzione al corso.mp4(23,11MB)
📄 2. La Programmazione Informatica.mp4(32,41MB)
📄 3. Che software devi utilizzare.pdf(771,00B)
📄 4. Materiale del corso.pdf(771,00B)
📄 5. Fai il DeepTest.pdf(7,06KB)
📁2. [Teoria] Variabili e Tipi di dati(122,15MB)
📄 1. Input e Output.mp4(22,40MB)
📄 2. Variabili e Costanti.mp4(22,00MB)
📄 3. I Tipi di Dati.mp4(40,46MB)
📄 4. il Casting.mp4(37,29MB)
📁3. [Pratica] Variabili e Tipi di Dati(104,11MB)
📄 1. Input e Output.mp4(18,48MB)
📄 2. Tipi di dati.mp4(18,58MB)
📄 3. Casting.mp4(13,92MB)
📄 4. La formattazione.mp4(53,14MB)
📄 5. Altre risorse.pdf(771,00B)
📁4. [Esercitazione] Variabili e Tipi di Dati(96,11MB)
📄 1. ESERCIZIO 1 Operazioni Aritmetiche.mp4(3,43MB)
📄 2. SOLUZIONE 1 Operazioni Aritmetiche.mp4(4,78MB)
📄 3. ESERCIZIO 2 Divisioni.mp4(1,86MB)
📄 4. SOLUZIONE 2 Divisoni.mp4(10,22MB)
📄 5. ESERCIZIO 3 Potenze e modulo.mp4(3,38MB)
📄 6. SOLUZIONE 3 Potenze e modulo.mp4(7,00MB)
📄 7. ESERCIZIO 4 Swapping.mp4(3,19MB)
📄 8. SOLUZIONE 4 Swapping.mp4(10,81MB)
📄 9. ESERCIZIO 5 Casting e Formattazione.mp4(14,36MB)
📄 10. SOLUZIONE 5 Casting e Formattazione.mp4(37,10MB)
📁5. [Teoria] Collezioni di Dati(33,18MB)
📄 1. Introduzione alle Collezioni.mp4(33,18MB)
📁6. [Pratica] Collezioni di Dati(195,28MB)
📄 1. Le Liste.mp4(25,96MB)
📄 2. Modifica e verifica.mp4(30,21MB)
📄 3. Liste annidate.mp4(11,78MB)
📄 4. Le Tuple.mp4(30,67MB)
📄 5. Set.mp4(29,76MB)
📄 6. I Dizionari.mp4(17,22MB)
📄 7. Lunghezza di una collezione.mp4(10,51MB)
📄 8. Casting tra collezioni.mp4(19,80MB)
📄 9. Copia vs riferimento.mp4(19,38MB)
📁7. [Esercitazione] Collezioni di Dati(69,90MB)
📄 1. ESERCIZIO 1 Pagelle scolastiche.mp4(11,38MB)
📄 2. SOLUZIONE 1 Pagelle scolastiche.mp4(58,52MB)
📁8. [Teoria] Le Istruzioni Condizionali(41,96MB)
📄 1. Le Espressioni Booleane.mp4(11,31MB)
📄 2. Gli Operatori Logici.mp4(8,53MB)
📄 3. Introduzione alle Istruzioni Condizionali.mp4(22,11MB)
📄 4. Altre risorse.pdf(771,00B)
📁9. [Pratica] Le Istruzioni Condizionali(67,28MB)
📄 1. L'istruzione if.mp4(6,94MB)
📄 2. L'istruzione if-else.mp4(26,93MB)
📄 3. elif.mp4(17,62MB)
📄 4. L'espressione if.mp4(15,80MB)
📁10. [Esercitazione] Le Istruzioni Condizionali(22,47MB)
📄 1. ESERCIZIO 1 If-Else.mp4(3,98MB)
📄 2. SOLUZIONE 1 If-Else.mp4(18,50MB)
📁11. [Teoria] I Cicli(36,81MB)
📄 1. Introduzione ai Cicli.mp4(36,81MB)
📁12. [Pratica] I Cicli(69,85MB)
📄 1. Il Ciclo while.mp4(21,43MB)
📄 2. Ciclo for.mp4(29,16MB)
📄 3. break e continue.mp4(19,26MB)
📁13. [Esercitazione] I Cicli(90,37MB)
📄 1. ESERCIZIO 1 Potenze.mp4(1,96MB)
📄 2. SOLUZIONE 1 Potenze.mp4(6,84MB)
📄 3. ESERCIZIO 2 Secondo Arrivato.mp4(12,70MB)
📄 4. SOLUZIONE 2 Secondo Arrivato.mp4(22,58MB)
📄 5. ESERCIZIO 3 Registro.mp4(5,35MB)
📄 6. SOLUZIONE 3 Registro.mp4(23,04MB)
📄 7. ESERCIZIO 4 Palindromi.mp4(2,94MB)
📄 8. SOLUZIONE 4 Palindromi.mp4(14,96MB)
📁14. [Teoria] La Programmazione Procedurale(30,26MB)
📄 1. Introduzione alle Funzioni.mp4(30,26MB)
📁15. [Pratica] La Programmazione Procedurale(43,22MB)
📄 1. Le funzioni.mp4(8,70MB)
📄 2. Positional e keyword arguments.mp4(9,74MB)
📄 3. Valori di ritorno.mp4(7,70MB)
📄 4. Altri esempi di funzione.mp4(17,09MB)
📁16. [Esercitazione] La Programmazione Procedurale(80,92MB)
📄 1. ESERCIZIO 1 Area della circonferenza.mp4(1,77MB)
📄 2. SOLUZIONE 1 Area della circonferenza.mp4(7,65MB)
📄 3. ESERCIZIO 2 Anni bisestili.mp4(2,77MB)
📄 4. SOLUZIONE 2 Anni bisestili.mp4(12,99MB)
📄 5. ESERCIZIO 3 Anagrammi.mp4(2,04MB)
📄 6. SOLUZIONE 3 Anagrammi.mp4(15,07MB)
📄 7. ESERCIZIO 4 Validazioni di indirizzi email.mp4(2,97MB)
📄 8. SOLUZIONE 4 Validazioni indirizzi email.mp4(35,66MB)
📁17. [Teoria] La Programmazione ad Oggetti(59,27MB)
📄 1. Introduzione a Classi e Oggetti.mp4(29,00MB)
📄 2. Ereditarietà e Polimorfismo.mp4(30,27MB)
📁18. [Pratica] La Programmazione ad Oggetti(111,66MB)
📄 1. La tua prima Classe.mp4(27,65MB)
📄 2. Metodi speciali.mp4(14,57MB)
📄 3. Le Docstring.mp4(15,97MB)
📄 4. Eredità e polimorfismo.mp4(53,47MB)
📁19. [Esercitazione] La Programmazione ad Oggetti(79,57MB)
📄 1. ESERCIZIO 1 La Circonferenza.mp4(2,80MB)
📄 2. SOLUZIONE 1 La Circonferenza.mp4(13,67MB)
📄 3. ESERCIZIO 2 Vettori.mp4(19,39MB)
📄 4. SOLUZIONE 2 Vettori.mp4(43,72MB)
📁20. [Teoria] Eccezioni fantastiche e come gestirle(67,10MB)
📄 1. Introduzione alle Eccezioni.mp4(17,63MB)
📄 2. Anatomia di un'Eccezione.mp4(18,40MB)
📄 3. Principali tipi di Eccezione.mp4(31,06MB)
📁21. [Pratica] Eccezioni fantastiche e come gestirle(48,56MB)
📄 1. try-except-finally.mp4(32,59MB)
📄 2. raise e assert.mp4(15,97MB)
📁22. [Esercitazione] Eccezioni fantastiche e come gestirle(55,61MB)
📄 1. ESERCIZIO 1 Vettori Reloaded.mp4(2,71MB)
📄 2. SOLUZIONE 1 Vettori Reloaded.mp4(20,87MB)
📄 3. ESERCIZIO 2 Calcolatrice.mp4(5,38MB)
📄 4. SOLUZIONE 2 Calcolatrice.mp4(26,64MB)
📁23. [Teoria] Operare sui file(14,83MB)
📄 1. Tipi di file.mp4(14,83MB)
📁24. [Pratica] Operare sui file(152,57MB)
📄 1. Leggere un file di testo.mp4(35,01MB)
📄 2. Scrivere su di un file di testo.mp4(27,92MB)
📄 3. Leggere un file in formato binario.mp4(4,88MB)
📄 4. Leggere da file CSV.mp4(30,19MB)
📄 5. Scrivere su file CSV.mp4(9,22MB)
📄 6. Operare su file TSV.mp4(13,35MB)
📄 7. Operare su file JSON.mp4(32,00MB)
📁25. [Esercitazione] Operare sui file(46,62MB)
📄 1. ESERCIZIO 1 Filtra i proverbi.mp4(2,80MB)
📄 2. SOLUZIONE 1 Filtra i proverbi.mp4(13,75MB)
📄 3. ESERCIZIO 2 Analisi di magazzino.mp4(3,44MB)
📄 4. SOLUZIONE 2 Analisi di magazzino.mp4(26,62MB)
📁26. [Teoria] Modularizzare il Codice(24,44MB)
📄 1. Introduzione ai Moduli.mp4(24,44MB)
📁27. [Pratica] Modularizzare il Codice(88,12MB)
📄 1. Creiamo un modulo.mp4(23,79MB)
📄 2. Creiamo un package.mp4(32,25MB)
📄 3. Creiamo un (vero) package.mp4(32,08MB)
📁28. [Teoria] La Standard Library(18,39MB)
📄 1. Introduzione alla Standard Library.mp4(18,39MB)
📁29. [Pratica] La Standard Library(133,16MB)
📄 1. Il Modulo sys.mp4(23,29MB)
📄 2. Argomenti da riga di comando con sys.mp4(19,38MB)
📄 3. Il Modulo OS.mp4(23,79MB)
📄 4. Il Modulo time.mp4(22,66MB)
📄 5. Il Modulo datetime.mp4(29,88MB)
📄 6. Il Modulo Math.mp4(14,16MB)
📄 7. Altre risorse.pdf(771,00B)
📁30. [Esercitazione] La Standard Library(75,14MB)
📄 1. ESERCIZIO 1 Poesie su un file.mp4(4,53MB)
📄 2. SOLUZIONE 1 Poesie su un file.mp4(18,96MB)
📄 3. ESERCIZIO 2 Quanto manca al tuo compleanno.mp4(3,90MB)
📄 4. SOLUZIONE 2 Quanto manca al tuo compleanno.mp4(14,40MB)
📄 5. ESERCIZIO 3 Equazioni per il Machine Learning.mp4(7,56MB)
📄 6. SOLUZIONE 3 Equazioni per il Machine Learning.mp4(25,79MB)
📁31. [TEORIA] PyPI e PIP(28,99MB)
📄 1. Introduzione al Python Package Index.mp4(28,99MB)
📁32. [PRATICA] PyPI e PIP(86,28MB)
📄 1. Installare e disinstallare un package con pip.mp4(41,75MB)
📄 2. Selezionare la versione e aggiornare un package.mp4(23,41MB)
📄 3. Esportare e importare nuovi moduli.mp4(21,12MB)
📁33. [ESERCITAZIONE] PyPI e PIP(204,77MB)
📄 1. ESERCIZIO 1 Editor di immagini.mp4(19,17MB)
📄 2. SOLUZIONE 1.1 Selezione e prova della libreria.mp4(47,62MB)
📄 3. SOLUZIONE 1.2 Verifichiamo che l'immagine sia valida.mp4(26,09MB)
📄 4. SOLUZIONE 1.3 Stampiamo le informazioni sull'immagine.mp4(12,20MB)
📄 5. SOLUZIONE 1.4 Modifichiamo la risoluzione.mp4(31,25MB)
📄 6. SOLUZIONE 1.5 Convertiamo l'immagine in bianco e nero.mp4(10,33MB)
📄 7. SOLUZIONE 1.6 Salviamo e mostriamo l'immagine.mp4(17,27MB)
📄 8. BONUS Mostriamo l'immagine dentro il Notebook.mp4(40,84MB)
📁34. [Teoria] Ambienti virtuali con virtualenv(12,31MB)
📄 1. Gli Ambienti Virtuali.mp4(12,31MB)
📁35. [Pratica] Ambienti virtuali con virtualenv(102,27MB)
📄 1. Creare, utilizzare e rimuovere un ambiente virtuale.mp4(31,82MB)
📄 2. Utilizzare l'ambiente virtuale con Jupyter Notebook.mp4(23,85MB)
📄 3. Selezionare la versione di Python.mp4(11,94MB)
📄 4. Condividere progetti Python con venv e pip.mp4(34,65MB)
📁 36. Certificazione(0,00B)
📁Reinforcement Learning(1,26GB)
📁1. Introduzione al Reinforcement Learning(77,60MB)
📄 1. Definizione e concetti chiave.mp4(30,74MB)
📄 2. Differenze tra RL, apprendimento supervisionato e non supervisionato.mp4(46,85MB)
📄 3. Materiale.pdf(5,71KB)
📁2. [Teoria] Componenti fondamentali del RL(67,40MB)
📄 1. Agente, ambiente, stati, azioni, ricompense.mp4(34,65MB)
📄 2. Politica, funzione di ricompensa, valore, modello dell'ambiente.mp4(32,75MB)
📁3. [Pratica]Componenti fondamentali del RL(34,20MB)
📄 1. Introduzione a OpenAI Gymnasium.mp4(34,20MB)
📁4. [Teoria] Basi Teoriche del Reinforcement Learning(79,60MB)
📄 1. Processi decisionali di Markov (MDP).mp4(29,45MB)
📄 2. Equazione di Bellman.mp4(20,88MB)
📄 3. Equazioni di Bellman per la funzione di valore e la funzione di valore azione.mp4(6,93MB)
📄 4. Programmazione Dinamica.mp4(22,34MB)
📁5. [Pratica] Basi Teoriche del Reinforcement Learning(11,83MB)
📄 1. Simulazione dell’equazione di Bellman in python.mp4(11,83MB)
📁6. [Teoria] Approcci basati su tabella nel Reinforcement Learning(68,61MB)
📄 1. Value Iteration.mp4(35,68MB)
📄 2. Policy iteration.mp4(32,93MB)
📁7. [Pratica] Approcci basati su tabella nel Reinforcement Learning(102,52MB)
📄 1. Implementazione di Value Iteration su OpenAI Gymansium (Ambiente Frozen Lake).mp4(56,76MB)
📄 1. Implementazione di Value Iteration su OpenAI Gymansium (Ambiente Frozen Lake)_temp.mp4(45,76MB)
📁8. [Esercitazione] Approcci basati su tabella nel Reinforcement Learning(72,46MB)
📄 1. [Esercitazione] Implementazione di Policy Iteration su OpenAI Gymansium (Ambiente Frozen Lake).mp4(1,32MB)
📄 1. [Esercitazione] Implementazione di Policy Iteration su OpenAI Gymansium (Ambiente Frozen Lake)_temp.mp4(1,40MB)
📄 2. [Soluzione] Implementazione di Policy Iteration su OpenAI Gymansium (Ambiente Frozen Lake).mp4(37,95MB)
📄 2. [Soluzione] Implementazione di Policy Iteration su OpenAI Gymansium (Ambiente Frozen Lake)_temp.mp4(31,80MB)
📁9. [Teoria] Q-Learning(63,47MB)
📄 1. Introduzione e formulazione.mp4(38,46MB)
📄 2. On-Policy e Off-Policy Learning.mp4(25,01MB)
📁10. [Pratica] Q-Learning(32,41MB)
📄 1. Q-learning.mp4(32,41MB)
📁11. [Teoria] SARSA (State-Action-Reward-State-Action)(16,91MB)
📄 1. Introduzione a SARSA.mp4(16,91MB)
📁12. [Esercitazione] SARSA (State-Action-Reward-State-Action)(26,38MB)
📄 1. [Esercitazione] Implementare l’algoritmo SARSA con OpenAI Gymnasium.mp4(1,37MB)
📄 2. [Soluzione] Implementare l’algoritmo SARSA con OpenAI Gymnasium.mp4(25,01MB)
📁13. [Teoria] REINFORCE (Monte Carlo Policy Gradient)(15,33MB)
📄 1. Introduzione agli approcci basati sui gradienti delle politiche.mp4(15,33MB)
📁14. [Pratica]REINFORCE (Monte Carlo Policy Gradient)(24,68MB)
📄 1. REINFORCE.mp4(24,68MB)
📁15. [Teoria] Tecniche Avanzate e Applicazioni(161,15MB)
📄 1. Dyna-Q.mp4(26,92MB)
📄 2. Rmax.mp4(28,79MB)
📄 3. Approssimatori di funzione.mp4(31,59MB)
📄 4. Metodi tabulari e Approssimatori.mp4(41,84MB)
📄 5. Model based e Model free.mp4(32,02MB)
📁16. [Esercitazione] Tecniche Avanzate e Applicazioni(36,61MB)
📄 1. [Esercitazione] Implementazione algoritmo Dyna-Q.mp4(1,15MB)
📄 2. [Soluzione] Implementazione algoritmo Dyna-Q.mp4(35,47MB)
📁17. [Teoria] Deep Reinforcement Learning(90,55MB)
📄 1. Introduzione al Deep RL.mp4(43,08MB)
📄 2. Paradigmi del Deep RL.mp4(47,47MB)
📁18. [Teoria] Deep Q-Networks (DQN)(69,68MB)
📄 1. Introduzione a DQN.mp4(32,54MB)
📄 2. Integrazione del Deep Learning in DQN.mp4(37,14MB)
📁19. [Pratica] Deep-Q-Networks (DQN)(45,14MB)
📄 1. Deep-Q-Networks.mp4(45,14MB)
📁20. [teoria] Actor-Critic Methods(34,84MB)
📄 1. Metodi Actor-Critic.mp4(34,84MB)
📁21. [Pratica] Actor-Critic Methods(36,44MB)
📄 1. Pratica Actor-Critic.mp4(36,44MB)
📁22. [Teoria] Proximal Policy Optimization (PPO)(69,12MB)
📄 1. Spiegazione dell'algoritmo.mp4(36,43MB)
📄 2. Vantaggi rispetto ad altri metodi policy gradient.mp4(32,68MB)
📁23. [Esercitazione] Proximal Policy Optimization (PPO)(53,44MB)
📄 1. [Esercitazione] Implementazione PPO su OpenAI Gymnasium.mp4(1,25MB)
📄 2. [Soluzione] Implementazione PPO su OpenAI Gymnasium.mp4(52,19MB)
📁 24. Certificazione(0,00B)
Corso · Intelligenza Artificiale
Master in AI Engineering
5,0
(571 valutazioni)
Il master di Profession.AI in AI Engineering.
⏳
Prezzo coupon di oggi — scade tra --:--:--
Prezzo di listino 1.590 €
Prezzo 114 €
−92%
La cifra barrata è il listino del formatore, l'altra è quanto paghi qui.
Il corso è nel carrello
Vai al carrello
Pagamenti sicuri
PayPal
₿
Ξ
₮
- Il link ai materiali arriva via email, a pagamento verificato
- Come funziona l'acquisto
Acquistato da clienti
ordini negli ultimi 30 giorni
Ultimo ordine:
Pacchetti corsi
Questo corso può entrare in tutti i pack. Con 85 € in più prendi il Pack 5: questo corso e altri 4 a scelta.
- 5 corsi a 199 € Questo corso può entrare✓
- 10 corsi a 299 € il più scelto Questo corso può entrare✓
- 15 corsi a 399 € Questo corso può entrare✓
Descrizione
Il Master in AI Engineering di Profession.AI è un percorso tecnico per diventare ingegnere dell'AI: progettare e costruire sistemi di intelligenza artificiale, con progetti pratici e orientamento al lavoro.
Cosa contiene il percorso
- Progettare sistemi di AI
- Modelli e integrazione
- Progetti pratici e portfolio
- Un percorso orientato alla carriera
A chi si rivolge
È adatto a chi vuole costruire una carriera nell'ingegneria dell'intelligenza artificiale.
Il vantaggio della community
Il listino è fuori portata per molti. Qui lo ottieni a una frazione, con accesso e download immediati: paghi, scarichi e inizi lo stesso giorno.
Categoria
Formatore
Stesso formatore
Tutti i corsi di Profession.AI
Altri corsi di Profession.AI
Sconto −90%
Premium
Sconto −90%
Masterclass Vibe Coding
Profession.AI
5,0 (398)
Prezzo di listino 382 €
Prezzo 38 €
Sconto −92%
◆ Premium
Master in AI Solutions Architecture
Profession.AI
5,0 (139)
Prezzo di listino 1.785 €
Prezzo 133 €
Sconto −93%
◆ Premium
Master in Data Science
Profession.AI
5,0 (386)
Prezzo di listino 2.456 €
Prezzo 167 €
Sconto −89%
◆ Premium
Master Data Engineering
Profession.AI
5,0 (301)
Prezzo di listino 1.590 €
Prezzo 167 €
Sconto −89%
◆ Premium
Master AI Development
Profession.AI
5,0 (88)
Prezzo di listino 1.590 €
Prezzo 167 €
Sconto −92%
Master in Data Analytics
Profession.AI
5,0 (793)
Prezzo di listino 1.590 €
Prezzo 116 €
Stessa categoria
Tutti i corsi di Intelligenza Artificiale
Potrebbe interessarti
Sconto −90%
AI Prompt Engineering
Data Masters
4,5 (158)
Prezzo di listino 42 €
Prezzo 4 €
Sconto −90%
Machine Learning Starter Kit
Data Masters
5,0 (566)
Prezzo di listino 507 €
Prezzo 48 €
Sconto −89%
Intelligenza Artificiale nella Comunicazione Politica
Marco Venturini
5,0 (187)
Prezzo di listino 416 €
Prezzo 42 €
Sconto −90%
DAX Avanzato
Data Masters
5,0 (380)
Prezzo di listino 210 €
Prezzo 20 €
Prezzo 114 €
Prezzo di listino 1.590 €