Видео

Ciao Simone, grazie per il video e complimenti per la tua certificazione. Ho un paio di domande a cui spero tu possa rispondermi: 1) Libro e corsi vari che suggerisci sono tutti in inglese? Non c'è nulla in italiano? 2) Sto seguendo un paio di corsi di Python (uno dei quali è del tuo amico Edoardo che tra l'altro sto adorando perché spiega veramente benissimo), perché da quello che avevo capito e mi hanno consigliato, il linguaggio Python è fondamentale per introdursi nel mondo del ML e del DL, più in generale nel mondo della AI, ma da quello che ho sentito nel tuo video, mi sembra che suggerisci tutto un altro percorso, (TensorFlow con la relativa certificazione). Potresti fare chiarezza su questo aspetto? Grazie mille e complimenti ancora. Guarderò sicuramente TUTTI i tuoi video!

Questa è una descrizione matematica di come è fatta una rete ma non spieghi perché esistono le reti. Il motivo fondamentale è che un teorema afferma che qualsiasi funzione continua su un compatto può essere approssimata bene quanto si vuole da funzioni vettoriali lineari e da una funzione di attivazione. Te lo dico perché dopo il centesimo video che vedo sull'argomento, mi sono accorto che nessuno affronta il problema fondamentale: catturare le caratteristiche di un insieme di dati (cogliere ad esempio relazioni, classificare, etc.) Progettare una rete immagino passi per questa esigenza.

Interessante. Ma fisicamente di quali componenti si avvalgono queste reti? Utilizzano sempre componenti di base quali transistors, diodi, resistori e condensatori?

6:25 Domandina: Ma W e b sono valori forniti dall'operatore (programmatore?) oppure dal neurone?

mi piacerebbe sapere a cosa serve il bias.

Video molto chiaro solo una domanda : cosa rappresenta "b" ?

Ciao Simone, volevamo ringraziarti io e il mio amico che stiamo preparando l'esame di Fondations of Deep Learning e i tuoi video soprattuto quelli sulla Back Propagation e sul Batch Gradient Descent ci hanno aiutato a comprendere meglio il contenuto. Grazie

Grande!

Davvero un'ottima spiegazione💪

Complimenti veramente un bel lavoro. Concetti comunque sempre attuali. Grazie.

ogni neurone dovrebbe avere un bias. E.s: 6 neuroni totali, 6 bias, quindi in totale dovremmo avere 9+6+2+6 parametri

spiegato non tanto bene, soprattutto per chi non ha mai studiato questi concetti (e.s.: metodo del gradiente per l'aggiornamento dei pesi). Le relu possono portare a divergenze paurose, meglio usare le funzioni logistiche che sono derivabili all'infinito...

interessantissimo, complimenti.

Nice video

Ciao Simone, grazie per il video! potresti fornire esempi di problemi che hai trovato durante il vero esame?

Come decidi quale parte dei dati è usata per il training e quale per il test?

Non continuerai la serie?

Grazie, sto cominciando a capire

Ciao, ho problemi con google colab, mi dice valore non definito, poi dopo molti tentativi mi funziona bene, però non posso perdere ogni volta mezz'ora o più, come devo procedere? Grazie

risolto, grazie

NameError: name 'b' is not defined, cosa devo fare?, non riesco a proseguire. Grazie

Ottimo, grazie

complimenti spettacolare ,spero che in questa serie arriverai anche a modelli di generazione immagini e reti TTS per sintetizzatori

purtroppo non conosco nulla di questi aspetti, ma devo dire che spieghi molto bene

Ciao simone non riesco a capire questa cosa , riesci a spiegarmi grazie in anticipo ! ax= axs[i// ncols,i% ncols] P.S: Un ultima cosa ma se io vorrei confrontare i risultati della 'predict' che salvo in y_pred, con i risultati della y come faccio ? In quanto la return è formato da 10 output ( che presumo sono i numero di neuroni ) ma come faccio a ritornare solo 5 ,1,6,7,8 cioè un numero cosi che lo posso confrontare con la y . Non dovrebbe gia la 'softmax' fare questo lavoro ? Grazie in anticipo sono alle prime armi !

Video Che vedremo in un secondo Momentum ! :D

Grande Simo ! Mentre ho stoppato il video per andare a cercare come si zooma un secondo dopo lo avevi spiegato grande ! :D

Grazie Simone ! Video utilissimi !

Grazie Simone ! Numero Uno !

Spiegazioni Perfette ! Grazie !

Grande molto easy!

Grazie ! ;)

Questo video rappresenta almeno 2 capitoli buoni di un librone di Deep Learning e senza escludere roba importante. Consiglio di studiare anche il gradient checking e l'inizializzazione stocastica dei parametri iniziali e del tuning degli hyperparameters. Per il resto è top. Gran bel lavoro

Che significa oggi sono senza capelli :D ?

Piu' chiaro di cosi' non si puo'.

sei un grande!

Grazie, grazie e ancora grazie. Finalmente sono riuscito a trovare un video in italiano

Ciao Simone, sei uno dei pochi italiani che ha fatto dei video decenti su CoLab. Sencondo me l'argomento è potente e pian piano sarà sempre più diffuso. Se cerchi di fare dei video con tante visualizzazioni sul tubo credo che questo argomento uscirà dalla nicchia e sarà sempre più diffuso. Potresti pensare di fare esercizi / esempi che poi la gente copia e ri-adatta ai suoi scopi....ad esempio io trovo tanta roba per machine learning su immagini, ma poco o niente su file audio.... Saluti, Nicola

GRAZIE!! Spiegazione eccellente, complimenti

Ciao Simone, grazie mille per questo video! Avrei una domanda sull'esame a cui non riesco a trovare una risposta nel forum di tf: i dataset per l'esame come vengono passati? Arrivano dei csv e/o degli zip oppure si scaricano tensorflow_datasets?

Grazie Simone, ho capito in profondità questa tecnica fantastica. Sei un Walt Disney della statistica.

Sei un grande. Hai la capacità di spiegare queste cose complesse in un modo semplicissimo e chiarissimo. Davvero complimenti.

Complimenti per i video. Ho una domanda riguardo il numero di neuroni sull'ultimo layer. Qui dici che dato che il valore in uscita può essere 0 o 1 allora metti un solo neurone. Però se ad esempio in uscita posso avere 10 valori diversi, l'ultimo layer da quanti neuroni dovrebbe essere composto? grazie mille e complimenti

Sei molto bravo, Complimenti !

ottima spiegazione .grazie sto provando di fare una esercitazione su lo stesso argomento e ho riscontrato questo errore : ValueError: Data cardinality is ambiguous: x sizes: 309 y sizes: 133 Make sure all arrays contain the same number of samples.

Ciao Simone, grazie per il video e complimenti. Volevo chiederti se nel libro sono presenti anche esercizi per far pratica mentre si studia. Grazie ancora

Ciao Simone! Vorrei farti una domanda se possibile! Non mi è chiaro perchè dici che se la grandenzza del batch è più piccola il gradiente è più grande e quindi il passo del gradiente è più grande... Potresti essere più chiaro? Grazie e ottimo video!

Simone complimenti! Ma poi da quest'ultimo video non hai prodotto più nulla? I due corsi: "Teoria di Deep Learning" e "Reti Neurali e Deep Learning con TensorFlow" sono composti da 6 + 10 lezioni o continuano? Grazie.

CIao SImone, perchè non fai anche video con esempi pratici, in cui da un problema arrivi alla soluzione (magari in Python come avevi gia fatto)?? Sarebbero molto utili. Piu che altro vorrei capire quali funzioni di attivazione utilizzare, i passi per costruire il modello ecc).

Courage bro