AI and Coding Podcast

In questo video parleremo di un tema molto importante: come strutturare correttamente un progetto Python o Machine Learning.Strutturare correttamente un progetto Python serve prima di tutto a dare un senso a quello che state facendo e a rendere il codice immediatamente comprensibile, soprattutto a distanza di tempo, per poi stessi e anche per chi dovrà lavorare al vostro stesso progetto e quindi al vostro codice.Infatti, se avete del codice abbastanza "incasinato" e non strutturato correttamente, nel caso qualcuno (collaboratore, amico, conoscente, ecc.) dovesse aiutarvi nella ricerca di bugs o nell'implementazione di nuove funzionalità, dovrà prima di tutto capire come funziona il vostro programma, quali sono i flussi del software e come esso è organizzato. Risulterà quindi un'enorme perdita di tempo. Invece di concentrarvi nella vera risoluzione di un bug, dovrete prima di tutto cercare di capire come funziona il codice.Un progetto ben strutturato, e quindi anche un codice ben organizzato, vi consentirà un agevole refactor e un'agevole implementazione di nuove funzionalità.

In questo episodio vedrai come installare Python su Windows 10 e Mac.Le indicazioni per Windows 10 valgono anche nel caso tu debba installare python su Windows 7/8/8.1.Vedremo inoltre alcuni consigli su quale versione di Python è più opportuno installare per poter poi poter affrontare tutorial Python sul Deep Learning e sul Machine Learning evitando quindi i classici problemi di compatibilità tra versione di Python ed i vari frameworks per il Deep Learning: Keras, TensorFlow, PyTorch, giusto per citarne alcuni.

In molti temi della vita e della tecnologia è utile, se non fondamentale, "conoscere il passato per capire il presente e orientare il futuro". Cit. Tucidide 460-404 a.C.Tale citazione può essere applicata anche alla Computer Vision, a maggior ragione perché molte delle tecniche del passato sono tutt'ora applicate per la risoluzione di problemi di visione. Talvolta vengono persino usate congiuntamente tecniche del passato e tecniche moderne al fine di massimizzarne i pregi e limitarne i difetti.Spesso ci viene detto che il Deep Learning è lo state-of-the-art (SOTA) in tema di Visione Artificiale e che, durante il nostro percorso formativo, dovremmo quasi esclusivamente dedicarci a tale tecnologia tralasciando quella che viene definita la Computer Vision "tradizionale".Pur essendo vero che il Deep Learning è a tutti gli effetti lo state-of-the-art, dovremmo prima di tutto studiare in modo approfondito tutto ciò che ha preceduto tale tecnologia, per almeno due semplici motivi: • solo conoscendo la Computer Vision "tradizionale" possiamo comprendere meglio il Deep Learning, i suoi pregi ed i suoi difetti • talvolta non è possibile utilizzare il Deep Learning per motivi di budget o semplicemente perché risulterebbe overkill per la risoluzione di un problema tendenzialmente sempliceCosì come nella programmazione e nel Machine Learning, da un punto di vista progettuale, anche nella Computer Vision non esiste la tecnologia migliore in assoluto, esistono invece vari possibili approcci al problema di cui solo uno è quello ottimale.In questo video verranno illustrate le principali tappe tecnologiche nel campo della Visione Artificiale che hanno scandito le fasi della ricerca scientifica in questo settore, dalle prime intuizioni degli anni '50 alle moderne reti neurali convoluzionali utilizzate nel Deep Learning ed alle più note funzionalità che tutti utilizziamo quotidianamente.

L'Intelligenza Artificiale è una minaccia o un'opportunità? Tecnologia del futuro o tool dell'Ingegneria Informatica? Scopriamolo...Parleremo di Intelligenza Artificiale, Machine Learning, Computer Vision e non solo.____________________