Corsos

1. Iniziare un progetto di DeepLearning: setup delle macchine locali e in cloud

Tutte i passi che servono a preparare il workflow per un progetto di deeplearning
Prerequisiti Abbiamo fatto tutti i passi che ci consentono di essere operativi, come descritto: qui). Come prima cosa, sul nostro portatile attiviamo l’ambiente conda che abbiamo creato: $ source activate corsoDLnoruen Ci spostiamo nella cartella notebooks e attiviamo il primo: $ cd notebooks $ jupyter notebook lezione1.ipynb Poi mi vado all’indirizzo segnalato (http://localhost:8888/) Creare la cartella per il progetto Inziamo dal nostro portatile, avviamo un terminale (Terminal in MacOSX) e creiamo la cartella:

2. Deep-Learning: classificare le immagini con una CNN

Classifichiamo le immagini di gatti e cani meglio dello stato dell'arte del 2013
Organizzazione cartelle e dati per questa lezione Dataset Registriamoci su Kaggle Scarichiamo il dataset Organizziamo il dataset Riorganizzazione della cartella train Riorganizzazione della cartella test Creare una cartella validation Creare una cartella sample per esperimenti veloci Struttura finale dell’albero delle cartelle Perché non ho preparato il dataset da scaricare? CNN: usiamo il deep learning per classificare le immagini Organizzazione cartelle e dati per questa lezione Ecco l’organizzazione delle cartelle di questo corso (che potete replicare clonando il mio archivio github)

0. Setup ambiente di sviluppo per il deep learning

Una configurazione per lo sviluppo deep learing intelligenza artificiale con GPU e cloud
Software base Anaconda Git Macchine GNU/Linux xubuntu MacOSX Microsoft Azure Installare i driver Software base Per poter lavorare in modo semplice tra le diverse macchine (fare esperimenti “in piccolo” sul notebook, e poi far andare l’istanza sul cloud) ho installato: anaconda miniconda per Python 3.6 git: su GNU/Linux usa il gestore di pacchetti (su Ubuntu apt-get install git), su MacOSX prima installa homebrew