Telecommunication Engineering - Ingegneria delle Telecomunicazioni

1. Richiami essenziali (ridotti): backpropagation, ottimizzazione stocastica, regolarizzazione (solo ponte con ML). 2. DNN avanzate: ResNet, DenseNet, EfficientNet; tecniche di training avanzato (LR scheduling, weight init, batch norm, dropout evoluto). 3. Computer Vision: CNN avanzate, Inception/MobileNet, Vision Transformers (ViT), transfer learning, data augmentation. 4. Modelli generativi: o Richiami AE e VAE. o GAN: DCGAN, StyleGAN, BigGAN, CycleGAN. o Modelli Diffusivi (Diffusion Models): DDPM, DDIM, score-based, applicazioni (Stable Diffusion, DALL·E). o Confronto GAN vs VAE vs Diffusion. 5. Sequence Modeling & NLP: tokenization, embedding, attenzione, RNN/LSTM/GRU (richiamo), Transformer (BERT, GPT), sequence-to-sequence, fine-tuning (LoRA, adapters). 6. Temi emergenti: multimodal DL (CLIP, Flamingo), self-supervised (SimCLR, BYOL), RLHF (reinforcement learning from human feedback), efficienza dei modelli (pruning, quantization, distillation).

Conoscenze di Machine Learning di base (apprendimento supervisionato e non supervisionato). Conoscenze preliminari di Python, NumPy, SkLearn e PyTorch/TS .

(1) A. Uncini, "MeM-AI: Mathematical Elements of Modern Artificial Intelligence", Dispense Ed. 2025. (2) A. Uncini, "Introduction to Neural Networks and Deep Learning", Dispense Ed. 2025. (3) Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola, “Dive into Deep Learning,” CoRR abs/2106.11342 (2021)

In aula tutti seduti

Elaborato finale (tesina) pdf, Presentazione del progetto e dei risultati, eventuale demo 24 pt Discussione + domanda teoriche 6 pt

NO Didattica a distanza solo in eventi specifici ed eccezionali.

1. Richiami essenziali (ridotti): backpropagation, ottimizzazione stocastica, regolarizzazione (solo ponte con ML). 2. DNN avanzate: ResNet, DenseNet, EfficientNet; tecniche di training avanzato (LR scheduling, weight init, batch norm, dropout evoluto). 3. Computer Vision: CNN avanzate, Inception/MobileNet, Vision Transformers (ViT), transfer learning, data augmentation. 4. Modelli generativi: o Richiami AE e VAE. o GAN: DCGAN, StyleGAN, BigGAN, CycleGAN. o Modelli Diffusivi (Diffusion Models): DDPM, DDIM, score-based, applicazioni (Stable Diffusion, DALL·E). o Confronto GAN vs VAE vs Diffusion. 5. Sequence Modeling & NLP: tokenization, embedding, attenzione, RNN/LSTM/GRU (richiamo), Transformer (BERT, GPT), sequence-to-sequence, fine-tuning (LoRA, adapters). 6. Temi emergenti: multimodal DL (CLIP, Flamingo), self-supervised (SimCLR, BYOL), RLHF (reinforcement learning from human feedback), efficienza dei modelli (pruning, quantization, distillation).

Conoscenze di Machine Learning di base (apprendimento supervisionato e non supervisionato). Conoscenze preliminari di Python, NumPy, SkLearn e PyTorch/TS .

(1) A. Uncini, "MeM-AI: Mathematical Elements of Modern Artificial Intelligence", Dispense Ed. 2025. (2) A. Uncini, "Introduction to Neural Networks and Deep Learning", Dispense Ed. 2025. (3) Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola, “Dive into Deep Learning,” CoRR abs/2106.11342 (2021)

In aula tutti seduti

Elaborato finale (tesina) pdf, Presentazione del progetto e dei risultati, eventuale demo 24 pt Discussione + domanda teoriche 6 pt

NO Didattica a distanza solo in eventi specifici ed eccezionali.