91250 - DEEP LEARNING

Conoscenze e abilità da conseguire

At the end of the course, the student understands the foundational ideas, recent advances and application potential of deep neural systems. The student understands supervised and unsupervised techniques, basic neural topologies, methods for visualizing and understanding the behavior on neural nets, adversarial and generative techniques, reinforcement learning, and recurrent networks. The student is able to apply such technologies to solving classification problems in realistic domains.

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

Testi consigliati:

• Dive into deep learning
• 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.

Si prevede anche lo svolgimento di laboratori integrativi, per ulteriori 12 ore.

I metodi di inseganmento potrtebbero variare in realzione alla emergenza legata al Corona Virus.

Modalità di verifica e valutazione dell'apprendimento

 Progetto individuale su tracce definite dal docente. 

il voto può essere integrato mediante un esame orale opzionale.

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