DEEP LEARNING
Canale 1
FABRIZIO SILVESTRI
Scheda docente
Programmi - Frequenza - Esami
Programma
* Introduzione al Deep Learning e amministrazione del corso.
* Apprendimento supervisionato.
* Reti neurali.
* Reti neurali profonde.
* Addestramento dei modelli: Funzione di loss.
* Addestramento dei modelli: Fitting.
* Addestramento dei modelli: Backpropagation.
* Misurazione delle prestazioni.
* Regolarizzazione.
* CNN & Resnets.
* Apprendimento Self-Supervised.
* Transformers.
* Retrieval Augmented Generation.
* Modelli generativi: Apprendimento non supervisionato e Generative Adversarial Networks.
* Graph Neural Networks.
* Deep Learning geometrico.
* Meta-learning.
* Compressione dei modelli di Deep Learning.
* Robustezza al rumore dei modelli di Deep Learning.
Prerequisiti
Per frequentare con profitto il corso, gli studenti dovrebbero avere:
* Conoscenza di base dei concetti fondamentali dell'informatica e della programmazione.
* Familiarità con i concetti matematici di algebra lineare, calcolo differenziale e statistica.
* Esperienza pratica con almeno un linguaggio di programmazione, preferibilmente Python.
* Una comprensione preliminare degli algoritmi e delle strutture dati.
* Conoscenza di base dei principi e delle tecniche di apprendimento automatico.
Testi di riferimento
Understanding Deep Learning - by Simon J.D. Prince - Edito da MIT Press in uscita il 5 dicembre 2023. Disponibile al seguente URL: https://udlbook.github.io/udlbook/ In aggiunta saranno forniti articoli dal docente.
Frequenza
Nessuna modalita' di frequenza
Modalità di esame
La valutazione delle conoscenze degli studenti avverrà attraverso due componenti principali:
* Progetto: Durante il corso, verrà assegnato un progetto in cui gli studenti dovranno implementare e testare algoritmi e tecniche di deep learning. Questo progetto contribuirà al 70% della valutazione finale.
* Esame Orale: Gli studenti saranno valutati sulla loro comprensione dei concetti chiave del corso e sulla capacità di discutere e applicare tali concetti. L'esame orale contribuirà al restante 30% della valutazione finale.
La valutazione finale sarà una combinazione di queste due componenti, con un peso specifico assegnato a ciascuna in base all'importanza relativa nel curriculum del corso.
Modalità di erogazione
Il corso sarà svolto attraverso lezioni frontali. Per garantire la massima accessibilità e flessibilità agli studenti:
* Registrazione delle Lezioni: Ogni lezione sarà registrata e resa disponibile agli studenti attraverso la piattaforma del corso.
* Accesso On-Demand: Gli studenti potranno accedere alle registrazioni delle lezioni in qualsiasi momento, permettendo loro di rivedere i contenuti a proprio ritmo e secondo le proprie esigenze.
* Interazione: Anche se le lezioni saranno disponibili online, gli studenti sono incoraggiati a partecipare attivamente, ponendo domande e interagendo durante le sessioni in tempo reale.
FABRIZIO SILVESTRI
Scheda docente
Programmi - Frequenza - Esami
Programma
* Introduzione al Deep Learning e amministrazione del corso.
* Apprendimento supervisionato.
* Reti neurali.
* Reti neurali profonde.
* Addestramento dei modelli: Funzione di loss.
* Addestramento dei modelli: Fitting.
* Addestramento dei modelli: Backpropagation.
* Misurazione delle prestazioni.
* Regolarizzazione.
* CNN & Resnets.
* Apprendimento Self-Supervised.
* Transformers.
* Retrieval Augmented Generation.
* Modelli generativi: Apprendimento non supervisionato e Generative Adversarial Networks.
* Graph Neural Networks.
* Deep Learning geometrico.
* Meta-learning.
* Compressione dei modelli di Deep Learning.
* Robustezza al rumore dei modelli di Deep Learning.
Prerequisiti
Per frequentare con profitto il corso, gli studenti dovrebbero avere:
* Conoscenza di base dei concetti fondamentali dell'informatica e della programmazione.
* Familiarità con i concetti matematici di algebra lineare, calcolo differenziale e statistica.
* Esperienza pratica con almeno un linguaggio di programmazione, preferibilmente Python.
* Una comprensione preliminare degli algoritmi e delle strutture dati.
* Conoscenza di base dei principi e delle tecniche di apprendimento automatico.
Testi di riferimento
Understanding Deep Learning - by Simon J.D. Prince - Edito da MIT Press in uscita il 5 dicembre 2023. Disponibile al seguente URL: https://udlbook.github.io/udlbook/ In aggiunta saranno forniti articoli dal docente.
Frequenza
Nessuna modalita' di frequenza
Modalità di esame
La valutazione delle conoscenze degli studenti avverrà attraverso due componenti principali:
* Progetto: Durante il corso, verrà assegnato un progetto in cui gli studenti dovranno implementare e testare algoritmi e tecniche di deep learning. Questo progetto contribuirà al 70% della valutazione finale.
* Esame Orale: Gli studenti saranno valutati sulla loro comprensione dei concetti chiave del corso e sulla capacità di discutere e applicare tali concetti. L'esame orale contribuirà al restante 30% della valutazione finale.
La valutazione finale sarà una combinazione di queste due componenti, con un peso specifico assegnato a ciascuna in base all'importanza relativa nel curriculum del corso.
Modalità di erogazione
Il corso sarà svolto attraverso lezioni frontali. Per garantire la massima accessibilità e flessibilità agli studenti:
* Registrazione delle Lezioni: Ogni lezione sarà registrata e resa disponibile agli studenti attraverso la piattaforma del corso.
* Accesso On-Demand: Gli studenti potranno accedere alle registrazioni delle lezioni in qualsiasi momento, permettendo loro di rivedere i contenuti a proprio ritmo e secondo le proprie esigenze.
* Interazione: Anche se le lezioni saranno disponibili online, gli studenti sono incoraggiati a partecipare attivamente, ponendo domande e interagendo durante le sessioni in tempo reale.
- Codice insegnamento10600428
- Anno accademico2024/2025
- CorsoEngineering in Computer Science - Ingegneria Informatica
- CurriculumCurriculum unico
- Anno2º anno
- Semestre2º semestre
- SSDING-INF/05
- CFU6
- Ambito disciplinareAttività formative affini o integrative