- Docente: Andrea Asperti
- Crediti formativi: 6
- SSD: INF/01
- Lingua di insegnamento: Inglese
- Modalità didattica: Convenzionale - Lezioni in presenza
- Campus: Bologna
-
Corso:
Laurea Magistrale in
Automation engineering / ingegneria dell'automazione (cod. 8891)
Valido anche per Laurea Magistrale in Ingegneria elettronica (cod. 0934)
Laurea Magistrale in Automation engineering / ingegneria dell'automazione (cod. 8891)
Laurea Magistrale in Artificial intelligence (cod. 9063)
Laurea Magistrale in Telecommunications engineering (cod. 9205)
Laurea Magistrale in Advanced automotive electronic engineering (cod. 9238)
Conoscenze e abilità da conseguire
Al termine dell'attività formativa, lo studente comprende le idee fondamentali, gli sviluppi recenti e le applicazioni potenziali dei sistemi neuronali (artificiali) profondi. Lo studente comprende tecniche supervisionate e non supervisionate, topologie neurali di base, metodi per visualizzare e capire il comportamento delle reti neurali, tecniche antagoniste e generative, apprendimento per rinforzo e reti ricorrenti. Lo studente è capace di applicare tali tecnologie a risolvere problemi di classificazione in domini realistici.
Contenuti
Il corso comincia con una introduzione alle Reti Neurali e al Deep Learning, e al loro tipico meccanismo di addestramento: l'algoritmo di backpropagation.
Si discuteranno i principali tipi di reti neurali: feed forward, convoluzionali e ricorrenti, fornendo esempi concreti e discutendo architetture che si sono dimostrate utili per elaborazione di immagini, localizzazione, segmentazione, trasferimento di stile, elaborazione del testo e molti altre applicazioni.
Investigheremo tecniche per la visualizzazione del comportamento delle unita' neurali nascoste (tematica collegata a deep dreams e inceptionism), tecniche per ingannare le reti neural, moderne tecniche generative tra cui Variational Autoencoders e Generative Adversarial Networks e i loro piu' recenti sviluppi.
La parte finale del corso sara' destinata ad una introduzione al Deep Reinforcement Learning, con particolare attenzione alla progettazione di agenti per video giochi, guida autonoma, ed ad altre situazioni che richiedono comportamenti intelligenti complessi e adattivi.
Prerequisiti
Il corso è mutuato da un corso integrato con Machine Learning del Corso di Studi in Artificial Intelligence. Si presuppongono conoscenze di:
- machine learning
- analisi
- algebra
- pyhton
Testi/Bibliografia
Testo consigliato:
I.Goodfellow, Y.Bengio, A.Courville Deep Learning MIT Press.
Per ogni lezione verrano forniti puntatori specifici a materiale disponibileon line, in aggiunta alle slides del corso.
Metodi didattici
Lezioni frontali basate su slides, con discussione di esempi pratici mediante l'uso di python notebooks. I metodi di inseganmento potrtebbero variare in realzione alla emergenza legata al Corona Virus.
Modalità di verifica e valutazione dell'apprendimento
Discussione di un progetto su di un insieme di tematiche proposte dal docente.
I progetti possono essere svolti in gruppi di al piu' due persone. L'esame consistera' nella presentazione e discussione del lavoro svolto.
Questa modalita' di verifica puo essere soggetta a cambiamenti in conseguenza del numero degli sudenti iscritti.
Strumenti a supporto della didattica
Le lezioni faranno un uso estensivo di slides. Si forniranno esempi concreti e funzionanti mediante l'uso di python notebooks.
Orario di ricevimento
Consulta il sito web di Andrea Asperti