Computer Science - Informatica

Obiettivi generali: Questo corso introduce gli studenti a metodi avanzati e ai più recenti approcci di machine learning, basati su modelli di deep neural network (DNN), e alle loro applicazioni in computer vision. Il corso include teoria, programmazione e la realizzazione pratica di un progetto finale. Sia per la parte di programmazione che per il progetto finale, gli studenti lavoreranno in gruppi e presenteranno le loro idee e i risultati del progetto alla classe. Obiettivi specifici: La prima parte del corso include l’analisi di modelli DNN stato dell’arte per classificazione e regressione, applicate a detection (dove gli oggetti siano in un’immagine), pose estimation (se una persona sia in piedi, seduta o coricata) e re-identification (la stima di un vettore che rappresenti ogni persona in modo univoco). Il corso discute inoltre DNN per la realizzazione di obiettivi multi-task, ovvero per la stima congiunta di detection, re-identification, segmentation, depth estimation, etc. Questa prima parte include DNN che siano applicabili a video sequenze, grazie all’uso di memoria (e.g. LSTM) o attenzione (e.g. Transformers). La seconda parte del corso approfondisce i modelli, le tecniche di apprendimento e di manipolazione di dati per la generalizzazione, per domain adaptation e meta-learning. Oltre a transfer learning (come un modello precedentemente imparato sia applicabile a altri compiti), si affronta la multi-modalità (l’uso di sensori di diversa natura come video camere di distanza o termiche) e l’auto-supervisione (e.g. imparare un modello DNN attraverso la risoluzione di puzzles) per l’auto-annotazione di grandi quantità di dati. Infine, si presenta domain adaptation (e.g. come applicare algoritmi di detection imparati con immagini diurne anche di notte) e meta-learning, uno dei più recenti temi di machine learning che mostra come imparare ad imparare un compito, e.g. in modalità di apprendimento online o imparando anche da pochi dati disponibili. Conoscenza e comprensione: Al termine del corso gli studenti avranno familiarità con modelli DNN stato dell’arte che realizzino singole o molteplici funzioni, e con la generalizzazione di queste funzioni e l’uso effettivo di dati etichettati o non etichettati per l’apprendimento di macchine, il loro auto-apprendimento e il meta-learning. Applicare conoscenza e comprensione: Al termine del corso gli studenti avranno acquisito familiarità con il progresso più recente in machine learning per lo svolgimento di vari compiti, l’adattamento di questi a nuovi domini ed il continuo auto-apprendimento di algoritmi e macchine. Sapranno spiegare gli algoritmi e scegliere le tecniche più appropriate per uno specifico problema. Saranno in grado di valutare implementazioni esistenti e di ideare e scrivere programmi per nuove soluzioni for specifiche funzioni o problemi nei due campi. Capacità critiche e di giudizio Lo studente sarà in grado di analizzare un problema o una funzione e identificare le metodologie e tecniche da applicare più appropriate, sia dal punto di vista dell’effettiva risoluzione del problema (accuracy) che da quello della fattibilità, da un punto di vista di efficienza, della quantità di dati richiesta e delle loro annotazioni. Oltre che delle lezioni, la capacità critica e di giudizio sarà il risultato di assignments che testeranno programmazione e analisi e di un progetto finale, inclusivo di relazione scritta. Capacità comunicative Lo studente acquisirà la capacità di esporre in modo chiaro ed organizzato le proprie conoscenze, capacità che verrà verificata sia mediante un progetto finale che nella sua presentazione orale. Lo studente sarà in grado di esprimere un’idea algoritmica in modo rigoroso ad alto livello, in pseudocodice, e di spiegare la struttura del codice scritto per questa. Capacità di apprendimento successivo Le conoscenze acquisite permetteranno allo studente di affrontare lo studio di altri problemi in machine learning and computer vision. La capacità di apprendimento successivo sarà il risultato degli argomenti illustrati a lezione, che offriranno una vasta panoramica in advanced machine learning, e del loro progetto finale, per il quale gli studenti sceglieranno uno specifico argomento da approfondire, oltre quanto impartito a lezione.