Presentazione

Organizzazione della Didattica

DM270
INFORMATICA ORD. 2014

Deep learning

6

Corsi comuni

 

Frontali Esercizi Laboratorio Studio Individuale
ORE: 48 0 0 102

Periodo

AnnoPeriodo
I anno2 semestre

Frequenza

Facoltativa

Erogazione

Convenzionale

Lingua

Inglese

Calendario Attività Didattiche

InizioFine
02/03/202012/06/2020

Tipologia

TipologiaAmbitoSSDCFU
caratterizzanteTecnologie dell'informaticaINF/016


Responsabile Insegnamento

ResponsabileSSDStruttura
Prof. SPERDUTI ALESSANDROINF/01Dipartimento di Matematica

Altri Docenti

DocenteCoperturaSSDStruttura
Dott. NAVARIN NICOLO'IstituzionaleINF/01Dipartimento di Matematica

Attività di Supporto alla Didattica

Non previste

Bollettino

E' opportuno possedere le conoscenze di base relative al Calcolo delle Probabilità, alla Programmazione e agli Algoritmi.

L’insegnamento introduce i concetti di base relativi al Deep Learning, cioè all’apprendimento automatico tramite reti neurali. Verranno richiamati i concetti matematici necessari per una piena comprensione della materia. Si tratteranno le reti neurali feedforward deep e le relative tecniche di regolarizzazione e di ottimizzazione dell’apprendimento. Verranno introdotti i concetti di base relativi alle reti convolutive. Per quanto riguarda il trattamento di sequenze, saranno presentate le reti neurali ricorrenti, con particolare enfasi all’utilizzo di unità LSTM e analoghe. Infine si tratteranno autoencoder e modelli generativi deep. Inoltre, per quanto riguarda l’implementazione dei modelli trattati nel corso, si introdurrà la piattaforma TensorFlow.

L'insegnamento prevede lezioni frontali.

La tematiche dell'insegnamento saranno le seguenti: - Introduzione ai contenuti dell'insegnamento; - Reti Neurali Feedforward profonde (deep); - Regolarizzazione per l'apprendimento deep; - Ottimizzazione per l'apprendimento di modelli deep; - Concetti di base per reti neurali convolutive; - Reti neurali ricorrenti per la moderazione di sequenze; - Autoencoder; - Modelli generativi deep; - TensorFlow.

Lo studente deve superare un esame scritto. Inoltre lo studente deve sviluppare un notebook concordato con il docente.

La valutazione dello studente si basa su una verifica dell'apprendimento dei concetti di base introdotti durante il corso e sulla capacità di analisi dello studente. La valutazione del progetto considera la capacità, da parte dello studente, di individuare un caso di studio adeguato e di svolgere in modo autonomo un'attività di progettazione e realizzazione qualitativamente appropriata.

Goodfellow, Ian; Courville, Aaron, Deep learningIan Goodfellow, Yoshua Bengio and Aaron Courville. Cambridge: MA [etc.], MIT Press, 2016

Materiale aggiuntivo sarà disponibile sul sito e-learning del corso.