91250 - DEEP LEARNING

Conoscenze e abilità da conseguire

Il corso ha l'obiettivo di fornire agli studenti competenze avanzate (sia teoriche che pratiche) nell'ambito del machine learning, con particolare riferimento al deep learning. Al termine del corso, anche grazie all'attività di laboratorio, lo studente sarà in grado di:

• addestrare/ottimizzare in maniera approfondita sistemi in grado di apprendere in maniera automatica;
• selezionare e personalizzare la tecnica di machine learning più opportuna da utilizzare in ambiti applicativi reali;
• utilizzare tecniche avanzate in ambito deep learning.

Contenuti

• Introduzione al deep learning
• Algebra lineare, calculus e differenziazione automatica
• Reti neurali
• Backpropagation
• Algoritmi di ottimizzazione
• Convolutional Neural Networks (CNN)
• Reti ricorrenti (RNN)
• Transformers
• AutoEncoders (AE)
  
• Modelli generativi
  
• Reinforcement Learning (RL)
• Natural Language Processing (NLP) (un esempio pratico)

Testi/Bibliografia

Slide del corso.

Testi consigliati:

• F. Chollet, "Deep Learning with Python (2nd edition)", Manning Publications Co., USA, 2021.
• A. Zhang, Z. C. Lipton, M. Li, and A. J. Smola, "Dive into Deep Learning", 2020.
• M. Elgendy, "Deep Learning for Vision Systems", Manning Publications Co., USA, 2020.
• A. Geron, “Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems”, O'Reilly Media, Inc., USA, 2019.
• M. Nielsen, "Neural Networks and Deep Learning", 2019.
• I. Goodfellow, Y. Bengio, and A. Courville, "Deep Learning", MIT Press, 2016.

Metodi didattici

Lezioni frontali ed esercitazioni guidate.

Nota: in considerazione della tipologia di attività e dei metodi didattici adottati, la frequenza di questa attività formativa richiede la preventiva partecipazione di tutti gli studenti ai moduli 1 e 2 di formazione sulla sicurezza nei luoghi di studio, in modalità e-learning.

Modalità di verifica e valutazione dell'apprendimento

L'esame consiste nella realizzazione e discussione di un progetto di deep learning e in una prova orale (sull'intero programma del corso) volta a valutare le conoscenze che lo studente ha acquisito.

Strumenti a supporto della didattica

Librerie e tool di sviluppo per il deep learning:

• Python
• Jupyter
• Tensorflow
• Keras

Orario di ricevimento

Consulta il sito web di Matteo Ferrara