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