91250 - DEEP LEARNING

Conoscenze e abilità da conseguire

L'insegnamento è incentrato su tecniche avanzate di Machine Learning, con particolare attenzione all'area del Deep Learning. Al termine dell'attività formativa, lo studente comprende le idee fondamentali, gli sviluppi recenti e le applicazioni potenziali dei sistemi neurali (artificiali) profondi. Lo studente apprende tecniche supervisionate e non supervisionate, architetture neurali di base, metodi per visualizzare e interpretare il comportamento dei modelli, tecniche antagoniste e generative, apprendimento per rinforzo e reti ricorrenti. Lo studente è capace di utilizzare tali tecnologie per la risoluzione di problemi di classificazione e interpretazione dei dati in domini applicativi concreti, tra cui computer vision e elaborazione del linguaggio naturale

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, e moderne tecniche generative tra cui i recenti diffusion models.

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

Si presuppongono conoscenze di:

• machine learning
• analisi
• algebra
• pyhton

Testi/Bibliografia

Letture suggerite:

• Dive into Deep Learning 

• I.Goodfellow, Y.Bengio, A.Courville. Deep Learning. MIT Press.

Altri puntatori a material on line saranno forniti ad ogni lezione, 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.

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