Approfondirai le Reti Adversariali per generare i dati più realistici grazie a questa qualifica in modalità 100% online"

La Visione Artificiale è un settore importante del Machine Learning per la maggior parte delle aziende tecnologiche. Questa tecnologia consente ai computer e ai sistemi di estrarre informazioni significative da immagini digitali, video e persino altri input visivi. Tra i suoi numerosi vantaggi vi sono l'aumento del livello di precisione durante i processi di produzione e l'eliminazione dell'errore umano. In questo modo, questi strumenti garantiscono la massima qualità del prodotto e facilitano la risoluzione dei problemi durante la produzione. 

Alla luce di questa realtà, TECH sta sviluppando un Master privato che tratterà in dettaglio la Visione Artificiale. Progettato da esperti del settore, il piano di studi approfondirà l’elaborazione delle immagini 3D. A questo proposito, la specializzazione fornirà agli studenti i software di elaborazione più avanzati per visualizzare i dati. Il programma si concentrerà anche sull'analisi della Deep Learning, data la sua importanza nel trattare insiemi di dati grandi e complessi. Ciò consentirà agli studenti di arricchire le loro normali procedure di lavoro con algoritmi e modelli all'avanguardia. Inoltre, il materiale didattico fornirà un'ampia gamma di tecniche di Visione Artificiale utilizzando diversi framework (tra cui Keras, Tensorflow v2 Pytorch). 

Per quanto riguarda il formato di questo titolo di studio, esso si basa su una metodologia 100% online. Sarà sufficiente che gli studenti dispongano di un dispositivo elettronico con accesso a Internet (come il computer, telefono cellulare o Tablet) per accedere al Campus virtuale. Potrai avere accesso ad una biblioteca ricca di risorse multimediali per rafforzare le tue conoscenze in modo dinamico. Va notato che TECH impiega in tutti i suoi titoli di studio l’innovativa metodologia Relearning, che consentirà agli studenti di assimilare le conoscenze in modo naturale, rafforzate da risorse audiovisive per garantire che rimangano nella memoria e nel tempo.

Ti specializzerai in un'area chiave della tecnologia del futuro che farà progredire immediatamente la tua carriera"  

Questo Master privato in Visione Artificiale possiede il programma più completo e aggiornato del mercato. Le caratteristiche principali del programma sono:

• Lo sviluppo di casi pratici presentati da esperti in informatica e Visione Artificiale
• I contenuti grafici, schematici ed eminentemente pratici che forniscono informazioni scientifiche e pratiche riguardo alle discipline mediche essenziali per l’esercizio della professione
• Esercizi pratici che offrono un processo di autovalutazione per migliorare l'apprendimento
• Particolare enfasi sulle metodologie innovative 
• Lezioni teoriche, domande all'esperto e/o al tutor, forum di discussione su questioni controverse e compiti di riflessione individuale
• Contenuti disponibili da qualsiasi dispositivo fisso o mobile dotato di connessione a internet

Vuoi specializzarti in Metriche di Valutazione? Raggiungi questo proposito con questa specializzazione in soli 12 mesi"

Il personale docente del programma comprende rinomati specialisti del settore e altre aree correlate, che forniscono agli studenti le competenze necessarie a intraprendere un percorso di studio eccellente. 

I contenuti multimediali, sviluppati in base alle ultime tecnologie educative, forniranno al professionista un apprendimento coinvolgente e localizzato, ovvero inserito in un contesto reale. 

La creazione di questo programma è incentrata sull’Apprendimento Basato su Problemi, mediante il quale il professionista deve cercare di risolvere le diverse situazioni che gli si presentano durante il corso. Lo studente potrà usufruire di un innovativo sistema di video interattivi creati da esperti di rinomata fama.  

Sarai in grado di utilizzare efficacemente il Deep Learning per risolvere i problemi più complessi"

Avrai accesso ad un sistema di apprendimento basato sulla ripetizione, grazie ad un insegnamento semplice e graduale durante l'intero programma"

Questo programma fornirà agli studenti una panoramica completa dello Stato dell'Arte dell'Intelligenza Artificiale. Composto da 10 moduli completi, il percorso accademico affronterà gli algoritmi di visione convenzionali e offrirà i più recenti sviluppi in materia di Deep Learning. Il materiale didattico fornirà le tecniche più avanzate di Visione Artificiale, con l'obiettivo di consentire agli studenti di incorporarle immediatamente nella loro pratica professionale. Inoltre, il programma analizzerà in dettaglio le Reti Convoluzionali in modo che i studenti siano in grado di classificare correttamente gli oggetti nelle immagini. 

Un programma senza orari fissi e con contenuti disponibili fin dal primo giorno. Imposta il tuo ritmo di apprendimento!"

Modulo 1. Visione artificiale

1.1. Percezione umana

1.1.1. Sistema visivo umano
1.1.2. Il colore
1.1.3. Frequenze visibili e non visibili

1.2. Cronaca della Visione Artificiale

1.2.1. Principi
1.2.2. Evoluzione
1.2.3. L’importanza della visione artificiale

1.3. Composizione delle immagini digitali

1.3.1. L'Immagine digitale
1.3.2. Tipi di immagini
1.3.3. Spazi di colore
1.3.4. RGB
1.3.5. HSV e HSL
1.3.6. CMY-CMYK
1.3.7. YCbCr
1.3.8. Immagine indicizzata

1.4. Sistemi di acquisizione di immagini

1.4.1. Funzionamento di una fotocamera digitale
1.4.2. L'esposizione giusta per ogni situazione
1.4.3. Profondità di campo
1.4.4. Risoluzione
1.4.5. Formati di immagine
1.4.6. Modalità HDR
1.4.7. Fotocamere ad alta risoluzione
1.4.8. Fotocamere ad alta velocità

1.5. Sistemi Ottici

1.5.1. Principi ottici
1.5.2. Obiettivi convenzionali
1.5.3. Obiettivi telecentrici
1.5.4. Tipi di autofocus
1.5.5. Lunghezza focale
1.5.6. Profondità di campo
1.5.7. Distorsione ottica
1.5.8. Calibrazione dell'immagine

1.6. Sistemi di illuminazione

1.6.1. Importanza dell’illuminazione
1.6.2. Risposta in frequenza
1.6.3. Illuminazione a LED
1.6.4. Illuminazione esterna
1.6.5. Tipi di illuminazione per applicazioni industriali. Effetti

1.7. Sistemi di Acquisizione 3D

1.7.1. Visione Stereo
1.7.2. Triangolazione
1.7.3. Luce strutturata
1.7.4. Time of Flight
1.7.5. Lidar

1.8. Multispettro

1.8.1. Telecamere Multispettrali
1.8.2. Telecamere Iperspettrali

1.9. Spettro vicino non Visibile

1.9.1. Fotocamere IR
1.9.2. Fotocamere UV
1.9.3. Convertire il Non visibile in Visibile grazie all'illuminazione

1.10. Altre bande di spettro

1.10.1. Raggi X
1.10.2. Teraherzio

Modulo 2. Applicazioni e stato dell'arte

2.1. Applicazioni industriali

2.1.1. Librerie di visione artificiale
2.1.2. Fotocamere compatte
2.1.3. Sistemi basati sulla PC
2.1.4. Robotica industriale
2.1.5. Pick and place 2D
2.1.6. Bin picking
2.1.7. Controllo della qualità
2.1.8. Presenza assenza di componenti
2.1.9. Controllo dimensionale
2.1.10. Controllo dell'etichettatura
2.1.11. Tracciabilità

2.2. Il veicolo autonomo

2.2.1. Assistenza al conducente
2.2.2. Guida autonoma

2.3. Visione Artificiale per l'Analisi dei Contenuti

2.3.1. Filtro per contenuto
2.3.2. Moderazione dei contenuti visivi
2.3.3. Sistemi di monitoraggio
2.3.4. Identificazione di marchi e loghi
2.3.5. Etichettatura e classificazione dei video
2.3.6. Rilevamento del cambiamento di scena
2.3.7. Estrazione di testi o crediti

2.4. Applicazioni mediche

2.4.1. Individuazione e localizzazione delle malattie
2.4.2. Cancro e Analisi di radiografie
2.4.3. Progressi della visione artificiale in seguito al Covid19
2.4.4. Assistenza in sala operatoria

2.5. Applicazioni spaziali

2.5.1. Analisi delle immagini satellitari
2.5.2. La visione artificiale per lo studio dello spazio
2.5.3. Missione su Marte

2.6. Applicazioni commerciali

2.6.1. Control stock
2.6.2. Videosorveglianza, sicurezza domestica
2.6.3. Telecamere di parcheggio
2.6.4. Telecamere per il controllo della popolazione
2.6.5. Autovelox

2.7. Visione Applicata alla Robotica

2.7.1. Droni
2.7.2. AGV
2.7.3. Visione nei robot collaborativi
2.7.4. Gli occhi dei robot

2.8. Realtà Aumentata

2.8.1. Funzionamento
2.8.2. Dispositivi
2.8.3. Applicazioni nell’industria
2.8.4. Applicazioni commerciali

2.9. Cloud computing

2.9.1. Piattaforme di Cloud Computing
2.9.2. Dal Cloud Computing alla produzione

2.10. Ricerca e Stato dell'arte

2.10.1. La comunità scientifica
2.10.2. Cosa si sta progettando?
2.10.3. Il futuro della visione artificiale

Modulo 3. Elaborazione delle immagini digitali

3.1. Ambiente di sviluppo per la Visione per Computer

3.1.1. Librerie di Visione  per Computer
3.1.2. Ambiente di programmazione
3.1.3. Strumenti di visualizzazione

3.2. Elaborazione digitale delle immagini

3.2.1. Relazioni tra pixel
3.2.2. Operazioni con immagini
3.2.3. Trasformazioni geometriche

3.3. Operazioni con i pixel

3.3.1. Istogramma
3.3.2. Trasformazioni a partire da istogrammi
3.3.3. Operazioni su immagini a colori

3.4. Operazioni logiche e aritmetiche

3.4.1. Addizione e sottrazione
3.4.2. Prodotto e Divisione
3.4.3. And/Nand
3.4.4. Or/Nor
3.4.5. Xor/Xnor

3.5. Filtri

3.5.1. Maschere e Convoluzione
3.5.2. Filtraggio lineare
3.5.3. Filtraggio non lineare
3.5.4. Analisi di Fourier

3.6. Operazioni morfologiche

3.6.1. Erode and Dilating
3.6.2. Closing and Open
3.6.3. Top_Hat e Black Hat
3.6.4. Rilevamento dei contorni
3.6.5. Scheletro
3.6.6. Riempimento dei fori
3.6.7. Convex hull

3.7. Strumenti di analisi di immagini

3.7.1. Rilevamento dei bordi
3.7.2. Rilevamento di blobs
3.7.3. Controllo dimensionale
3.7.4. Ispezione del colore

3.8. Segmentazione degli oggetti

3.8.1. Segmentazione delle immagini
3.8.2. Tecniche di segmentazione classica
3.8.3. Applicazioni reali

3.9. Calibrazione di immagini

3.9.1. Calibrazione dell'immagine
3.9.2. Metodi di calibrazione
3.9.3. Processo di calibrazione in un sistema telecamera/robot 2D

3.10. Elaborazione di immagini in ambiente reale

3.10.1. Analisi dei problemi
3.10.2. Elaborazione delle immagini
3.10.3. Estrazione delle caratteristiche
3.10.4. Risultati finali

Modulo 4. Elaborazione delle immagini digitali avanzata

4.1. Riconoscimento ottico dei caratteri (OCR)

4.1.1 Pre-elaborazione dell'immagine
4.1.2 Rilevamento del testo
4.1.3 Riconoscimento del testo

4.2. Lettura di codici

4.2.1. Codice 1D
4.2.2. Codice 2D
4.2.3. Applicazioni

4.3. Ricerca di modelli

4.3.1. Ricerca di modelli
4.3.2. Modelli basati sul livello di grigio
4.3.3. Modelli basati sui contorni
4.3.4. Modelli basati su forme geometriche
4.3.5. Altre tecniche

4.4. Tracciamento di oggetti con la visione convenzionale

4.4.1. Estrazione di sfondo
4.4.2. Meanshift
4.4.3. Camshift
4.4.4. Optical flow

4.5. Riconoscimento facciale

4.5.1. Facial Landmark detection
4.5.2. Applicazioni
4.5.3. Riconoscimento facciale
4.5.4. Riconoscimento delle emozioni

4.6. Panoramica e allineamenti

4.6.1. Stitching
4.6.2. Composizione di immagini
4.6.3. Fotomontaggio

4.7. High Dinamic Range (HDR) and Photometric Stereo

4.7.1. Aumento della gamma dinamica
4.7.2. Composizione di immagini per il miglioramento dei contorni
4.7.3. Tecniche per l'utilizzo di applicazioni dinamiche

4.8. Compressione dell'immagine

4.8.1. La compressione delle immagini
4.8.2. Tipi di compressori
4.8.3. Tecniche di compressione delle immagini

4.9. Elaborazione di video

4.9.1. Sequenze di immagini
4.9.2. Formati e codec video
4.9.3. Lettura di un video
4.9.4. Elaborazione del fotogramma

4.10. Applicazione reale dell'Elaborazione delle Immagini

4.10.1. Analisi dei problemi
4.10.2. Elaborazione delle immagini
4.10.3. Estrazione delle caratteristiche
4.10.4. Risultati finali

Modulo 5. Elaborazione delle immagini 3D

5.1. Immagine 3D

5.1.1. Immagine 3D
5.1.2. Software di elaborazione e visualizzazione di immagini 3D
5.1.3. Software di Metrologia

5.2. Open3D.

5.2.1. Libreria per l'Elaborazione dei Dati 3D
5.2.2. Caratteristiche
5.2.3. Installazione ed Uso

5.3. I dati

5.3.1. Mappe di profondità dell'immagine 2D
5.3.2. Pointclouds
5.3.3. Normali
5.3.4. Superfici

5.4. Visualizzazione

5.4.1. Visualizzazione dei Dati
5.4.2. Controller
5.4.3. Visualizzazione web

5.5. Filtri

5.5.1. Distanza tra i punti, eliminare Outliers
5.5.2. Filtro passa-alto
5.5.3. Downsampling

5.6. Geometria ed estrazione delle caratteristiche

5.6.1. Estrazione di un profilo
5.6.2. Misurazione della profondità
5.6.3. Volume
5.6.4. Forme geometriche 3D
5.6.5. Piani
5.6.6. Proiezione di un punto
5.6.7. Distanze geometriche
5.6.8. Kd Tree
5.6.9. Features 3D

5.7. Registro e Meshing

5.7.1. Concatenazione
5.7.2. ICP
5.7.3. Ransac 3D

5.8. Riconoscimento di oggetti 3D

5.8.1. Ricerca di un oggetto nella scena 3d
5.8.2. Segmentazione
5.8.3. Bin picking

5.9. Analisi di superfici

5.9.1. Smoothing
5.9.2. Superfici regolabili
5.9.3. Octree

5.10. Triangolazione

5.10.1. Da Mesh a Point Cloud
5.10.2. Triangolazione delle mappe di profondità
5.10.3. Triangolazione di PointClouds non ordinato

Modulo 6. Deep Learning

6.1. Intelligenza Artificiale

6.1.1. Machine Learning
6.1.2. Deep Learning
6.1.3. L’esplosione del Deep Learning. Perché ora

6.2. Reti neuronali

6.2.1. La rete neurale
6.2.2. Uso delle reti neurali
6.2.3. Regressione lineare e Perceptron
6.2.4. Forward Propagation
6.2.5. Backpropagation
6.2.6. Feature vectors

6.3. Loss Functions

6.3.1. Loss function
6.3.2. Tipi di loss Functions
6.3.3. Scelta di loss function

6.4. Funzioni di attivazione

6.4.1. Funzioni di attivazione
6.4.2. Funzioni lineari
6.4.3. Funzioni non lineari
6.4.4. Output vs Hidden Layer Activation Functions

6.5. Regolarizzazione e Standardizzazione

6.5.1. Regolarizzazione e Standardizzazione
6.5.2. Overfitting and Data Augmentation
6.5.3. Regularization methods: L1, L2 and dropout
6.5.4. Normalization methods: Batch, Weight, Layer

6.6. Ottimizzazione

6.6.1. Gradient Descent
6.6.2. Stochastic Gradient Descent
6.6.3. Mini Batch Gradient Descent
6.6.4. Momentum
6.6.5. Adam

6.7. Hyperparameter Tuning e Pesi

6.7.1. Iperparametri
6.7.2. Batch Size vs Learning Rate vs Step Decay
6.7.3. Pesi

6.8. Metriche di valutazione delle reti neurali

6.8.1. Accuracy
6.8.2. Dice coefficient
6.8.3. Sensitivity vs Specificity / Recall vs precision
6.8.4. Curva ROC (AUC)
6.8.5. F1-score
6.8.6. Confusion matrix
6.8.7. Cross-validation

6.9. Frameworks e Hardware

6.9.1. Tensor Flow
6.9.2. Pytorch
6.9.3. Caffe
6.9.4. Keras
6.9.5. Hardware per la Fase di Preparazione

6.10. Creazione di Reti Neurali– Preparazione e Convalida

6.10.1. Dataset
6.10.2. Costruzione della rete
6.10.3. Training
6.10.4. Visualizzazione dei risultati

Modulo 7. Reti Convoluzionali e Classificazione delle Immagini

7.1. Reti neurali convoluzionali

7.1.1. Introduzione
7.1.2. La convoluzione
7.1.3. CNN Building Blocks

7.2. Tipi di strati CNN

7.2.1. Convolutional
7.2.2. Activation
7.2.3. Batch normalization
7.2.4. Polling
7.2.5. Fully connected

7.3. Metriche

7.3.1. Confusione Matrix
7.3.2. Accuracy
7.3.3. Precisione
7.3.4. Recall
7.3.5. F1 Score
7.3.6. ROC Curve
7.3.7. AUC

7.4. Principali architetture

7.4.1. AlexNet
7.4.2. VGG
7.4.3. Resnet
7.4.4. GoogleLeNet

7.5. Classificazione di immagini

7.5.1. Introduzione
7.5.2. Analisi dei dati
7.5.3. Preparazione dei dati
7.5.4. Training del modello
7.5.5. Convalida del modello

7.6. Considerazioni pratiche per il training CNN

7.6.1. Selezione dell'ottimizzatore
7.6.2. Learning Rate Scheduler
7.6.3. Controllo pipeline di preparazione
7.6.4. Training con regolarizzazione

7.7. Buone pratiche in Deep Learning

7.7.1. Transfer learning
7.7.2. Fine Tuning
7.7.3. Data Augmentation

7.8. Valutazione statistica di dati

7.8.1. Numero di dataset
7.8.2. Numero di etichette
7.8.3. Numero di immagini
7.8.4. Bilanciamento dei dati

7.9. Deployment

7.9.1. Salvataggio e caricamento dei modelli
7.9.2. Onnx
7.9.3. Inferenza

7.10. Caso Pratico: Classificazione di Immagini

7.10.1. Analisi e preparazione dei dati
7.10.2. Test di verifica della pipeline di training
7.10.3. Training del modello
7.10.4. Convalida del modello

Modulo 8. Rilevamento di oggetti

8.1. Rilevamento e Tracciamento di Oggetti

8.1.1. Rilevamento di Oggetti
8.1.2. Casi d'uso
8.1.3. Tracciamento di oggetti
8.1.4. Casi d'uso
8.1.5. Occlusioni, Rigid and No Rigid Poses

8.2. Metriche di Valutazione

8.2.1. IOU - Intersection Over Union
8.2.2. Confidence Score
8.2.3. Recall
8.2.4. Precisione
8.2.5. Recall – Curva di Precisione
8.2.6. Mean Average Precision (mAP)

8.3. Metodi tradizionali

8.3.1. Sliding window
8.3.2. Viola detector
8.3.3. HOG
8.3.4. Non Maximal Supresion (NMS)

8.4. Datasets

8.4.1. Pascal VC
8.4.2. MS Coco
8.4.3. ImageNet (2014)
8.4.4. MOTA Challenge

8.5. Two Shot Object Detector

8.5.1. R-CNN
8.5.2. Fast R-CNN
8.5.3. Faster R-CNN
8.5.4. Mask R-CNN

8.6. Single Shot Object Detector

8.6.1. SSD
8.6.2. YOLO
8.6.3. RetinaNet
8.6.4. CenterNet
8.6.5. EfficientDet

8.7. Backbone

8.7.1. VGG
8.7.2. ResNet
8.7.3. Mobilenet
8.7.4. Shufflenet
8.7.5. Darknet

8.8. Object Tracking

8.8.1. Approcci classici
8.8.2. Filtri di particelle
8.8.3. Kalman
8.8.4. Sort tracker
8.8.5. Deep Sort

8.9. Implementazione

8.9.1. Piattaforma Informatica
8.9.2. Scelta del Backbone
8.9.3. Scelta del Framework
8.9.4. Ottimizzazione di Modelli
8.9.5. Versione dei modelli

8.10. Studio: Rilevamento e Tracciamento di Persone

8.10.1. Rilevamento di persone
8.10.2. Tracciamento delle persone
8.10.3. Re-identificazione
8.10.4. Conteggio delle persone in massa

Modulo 9. Segmentazione delle Immagini con deep learning

9.1. Rilevamento di Oggetti e Segmentazione

9.1.1. Segmentazione semantica

9.1.1.1. Casi d'uso della segmentazione semantica

9.1.2. Segmentazione Istanziata

9.1.2.1. Casi d'uso della segmentazione istanziata

9.2. Metriche di valutazione

9.2.1. Similitudini con altri metodi
9.2.2. Pixel Accuracy
9.2.3. Dice Coefficient (F1 Score)

9.3. Funzioni di costo

9.3.1. Dice Loss
9.3.2. Focal Loss
9.3.3. Tversky Loss
9.3.4. Altre funzioni

9.4. Metodi tradizionali di Segmentazione

9.4.1. Applicazione della soglia con Otsu e Riddlen
9.4.2. Mappe auto-organizzate
9.4.3. GMM-EM algorithm

9.5. Segmentazione Semantica che applica Deep Learning: FCN

9.5.1. FCN
9.5.2. Architettura
9.5.3. Applicazioni di FCN

9.6. Segmentazione Semantica che applica Deep Learning: U-NET

9.6.1. U-NET
9.6.2. Architettura
9.6.3. Applicazione U-NET

9.7. Segmentazione Semantica che applica Deep Learning: Deep Lab

9.7.1. Deep Lab
9.7.2. Architettura
9.7.3. Applicazione di Deep Lab

9.8. Segmentazione istanziata che applica Deep Learning: Mask RCNN

9.8.1. Mask RCNN
9.8.2. Architettura
9.8.3. Implementazione di una Mas RCNN

9.9. Segmentazione in video

9.9.1. STFCN
9.9.2. Semantic Video CNNs
9.9.3. Clockwork Convnets
9.9.4. Low-Latency

9.10. Segmentazione cloud di punti

9.10.1. Cloud di punti
9.10.2. PointNet
9.10.3. A-CNN

Modulo 10. Segmentazione Avanzata delle Immagini e Tecniche Avanzate di Visione Artificiale

10.1. Database per problemi Generali di Segmentazione

10.1.1. Pascal Context
10.1.2. CelebAMask-HQ
10.1.3. Cityscapes Dataset
10.1.4. CCP Dataset

10.2. Segmentazione Semantica in Medicina

10.2.1. Segmentazione Semantica in Medicina
10.2.2. Datasets per problemi medici
10.2.3. Applicazione pratica

10.3. Strumenti di annotazione

10.3.1. Computer Vision Annotation Tool
10.3.2. LabelMe
10.3.3. Altri strumenti

10.4. Strumenti di Segmentazione che utilizzano diversi frameworks

10.4.1. Keras
10.4.2. Tensorflow v2
10.4.3. Pytorch
10.4.4. Altri

10.5. Progetto di Segmentazione semantica. I dati, Fase 1

10.5.1. Analisi del problema
10.5.2. Fonte di input per i dati
10.5.3. Analisi dei dati
10.5.4. Preparazione dei dati

10.6. Progetto di Segmentazione semantica. Training, Fase 2

10.6.1. Selezione dell'algoritmo
10.6.2. Training
10.6.3. Valutazione

10.7. Progetto di Segmentazione semantica. Risultati, Fase 3

10.7.1. Regolazione fine
10.7.2. Presentazione della soluzione
10.7.3. Conclusioni

10.8. Autocodificatori

10.8.1. Autocodificatori
10.8.2. Architettura di un Autocodificatore
10.8.3. Autocodificatori a Cancellazione di Rumore
10.8.4. Autocodificatore di Colorazione Automatica

10.9. Reti Generative Avversarie (GAN)

10.9.1. Reti Generative Avversarie (GAN)
10.9.2. Architettura DCGAN
10.9.3. Architettura GAN Condizionata

10.10. Reti Generative Avversarie Migliorate

10.10.1. Visione d'insieme del problema
10.10.2. WGAN
10.10.3. LSGAN
10.10.4. ACGAN

Nell'Aula Virtuale è possibile trovare ulteriore materiale di alta qualità da scaricare, in modo da poter approfondire gli aspetti del programma che si ritengono più importanti"