- Docente: Andrea Asperti
- Crediti formativi: 6
- SSD: INF/01
- Lingua di insegnamento: Italiano
- Modalità didattica: Convenzionale - Lezioni in presenza
- Campus: Bologna
- Corso: Laurea in Informatica (cod. 8009)
-
dal 25/09/2025 al 19/12/2025
Conoscenze e abilità da conseguire
Al termine del corso lo studente avra' compreso le complesse problematiche relative alla simulazione di un comportamento intelligente da parte di una macchina, e approfondito alcune tecniche di base di apprendimento automatico in ambito supervisionato, non supervisionato e con rinforzo. Il corso si propone anche di fornire rudimenti relativi alla elaborazione di immagini, che verrano utilizzate estensivamente come oggetto di sperimentazione delle tecniche analizzate
Contenuti
Il corso è essenzialmente strutturato in due parti, una dedicata a tecniche tradizionali di Machine Learning, ed una rivolta ad una introduzione alle reti neurali e al deep learning.
Nella parte iniziale si cercherà soprattutto di evidenziare l'approccio titpico del machine learning, incentrato sulla definizione di una classe parametrica di modelli, alla definizione di una funzione di loss per il confronto tra di essi, e all'ottimizzazione dei parametri per la ricerca del modello migliore. Si cercherà di evidenziare l'importanza dell'approccio probablistico, e la differenza tra modelli discriminativi e modelli generativi. Verranno toccate nozioni importanti per la materia, quali la nozione di entropia, la nozione di likelihood, o la tecnica a discesa del gradiente.
Nella seconda parte del corso verranno introdotte le reti neurali, la nozione di layer, le il caso importante delle reti convolutive. Veranno descritti alcuni semplici modelli e se ne vedrà l'applicazione concreta su alcuni semplici problemi di claissificzione e trasformazione di immagini.
Testi/Bibliografia
Letture consigliate
- FIRST PART: Mathematics for Machine Learning. by Deisenroth, Faisal, and Ong. Free PDF from Cambridge University Press
- SECOND PART: Dive into Deep Learning by Zhang et al. (D2L). Free Online Book with several notebooks.
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, con l'ausilio di tutor didattici.
Modalità di verifica e valutazione dell'apprendimento
La modalità di verifica prevede sia un esame scritto con domande chiuse sul programma del corso, che un piccolo progetto (solitamente su reti neuralli) da eseguire individualmente in una settimana di tempo su di una traccia fornita dal docente.
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