Introduzione all'ambiente PyCharm e Programmazione in Python:
⚬ variabili e tipi di dati: bool, int, float, str, tuple, list, dict.
⚬ espressioni aritmetiche, relazionali, e logiche.
⚬ funzioni predefinite di base.
⚬ istruzioni elementari: assegnamento, return, break, continue, import.
⚬ istruzioni composte: if, for, while, with
⚬ istruzioni di lettura e scrittura: input, print, file di testo
⚬ funzioni e passaggio di parametri.
Libreria NumPy:
⚬ Gestione di vettori e matrici con la libreria NumPy
Moduli Python (Pandas):
⚬ DataFrame (lettura dati): read_excel(...) e read_csv(...)
⚬ DataFrame (righe e colonne): .shape, .index, .columns; .isin(...) e .intersection(...)
⚬ DataFrame (operazioni scalari aritmetiche): .add(...) (+), .sub(...) (-), .mul(...) (), .div(...) (/), .floordiv(...) (//), .mod(...) (%), .pow(...) ( *)
⚬ DataFrame (operazioni scalari relazionali): .lt(...) (=), .eq(...) (==), .ne(...) (!=)
⚬ DataFrame (valori di sintesi): .sum(...), .min(...), .max(...), .mean(...), .count(...)
⚬ DataFrame (aggregazione di righe con .groupby): argomenti by e as_index; singoli e multipli valori di sintesi (.agg)
⚬ DataFrame (trasposizione): .transpose(...) oppure .T
⚬ Serie: .name, .index, operazioni scalari e valori di sintesi (come i DataFrame)
Reti Neurali (PyTorch e Teoria):
⚬ Componenti PyTorch: torch.tensor, torch.tensor.backward, torch.optim.Optimizer.step, torch.optim.Optimizer.zero_grad, torch.nn.Linear, torch.nn.ReLU, torch.nn.Dropout, torch.nn.BatchNorm1d
⚬ Il percettrone e algoritmo di apprendimento del percettrone
⚬ Concetto di discesa del gradiente
⚬ Il percettrone multistrato e algoritmo di retropropagazione dell'errore
⚬ Reti neurali profonde (Deep Learning): Introduzione