Corso di laurea magistrale in Informatica

Fondamenti di calcolo differenziale, fondamenti di calcolo matriciale. Conoscenza ed uso dei principali linguaggi di programmazione, ed eventualmente dell'ambiente Matlab.

Insegnamenti propedeutici (forniscono le competenze attese in ingresso): Analisi Matematica, Calcolo Matriciale e Ricerca Operativa, Programmazione, Sistemi intelligenti.

Un buon testo dove acquisire/approfondire le competenze richieste è la parte I del libro Deep Learning.

Il corso si propone di far acquisire le competenze di base relative ai principali modelli di reti neurali sia dal punto di vista teorico-matematico che dal punto di vista applicativo e del loro utilizzo. A partire dallo studio dei componenti elementari, i neuroni, si arrivera' ai principali modelli di reti ed alle piu' note regole di addestramento. Verranno trattati anche i fondamenti dell'apprendimento profondo. L'obiettivo di  Reti neurali e deep learning fa parte degli Obiettivi formativi specifici del CdS in Informatica (LM18), in particolare è tra quelli caratterizzanti l'area di sistemi per il trattamento dell'informazione e l'area di realtà virtuale.

Il corso si propone di far acquisire una conoscenza critica dei principali modelli di reti neurali e di consentire il loro utilizzo per la risoluzione di problemi nell'ambito dell'apprendimento automatico, del data mining e delle scienze cognitive.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE Acquisizione di conoscenze teoriche e operative
relative a reti neurali e deep learning, con specifico riferimento a tematiche di rilievo in intelligenza artificiale.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE Acquisizione della capacità di applicare le conoscenze teoriche relative a reti neurali e deep learning alla risoluzione dei problemi, con specifico riferimento a tematiche di intelligenza artificiale.
AUTONOMIA DI GIUDIZIO Acquisizione di consapevole autonomia di giudizio con riferimento a
valutazione e interpretazione di dati sperimentali per scelte strategiche in situazioni nuove.
ABILITÀ COMUNICATIVE Acquisizione di competenze e strumenti per la comunicazione nella forma scritta e orale, in lingua italiana, unitamente all'utilizzo di linguaggi grafici e formali.
CAPACITÀ DI APPRENDIMENTO Acquisizione di capacità autonome di apprendimento e di
autovalutazione della propria preparazione, atte ad intraprendere le attività successive con un alto grado di autonomia.

Il programma comprende i seguenti argomenti. Alle lezioni teoriche si affiancano laboratori in cui si sperimenteranno i modelli insegnati utilizzando Matlab, Python e tecnologie allo stato dell'arte per lo sviluppo di reti neurali (e.g., Pytorch e Tensorflow Playground).

• Introduzione
• Fondamenti di matematica: algebra lineare, analisi, probabilità
• Percettrone
• Multilayer perceptron
• Backpropagation
• Self Organizing Maps
• Reti di Hopfield
• Restricted Boltzmann Machines
• Convolutional Neural Networks
• Recurrent Neural Networks / LSTM
• Autoencoders
• Modelli encoder-decoder per sequenze
• Transformers
• Representation Learning
• Generative Adversarial Networks
• Tecniche di Pruning
• Cognitive assessment

Le lezioni alterneranno argomenti di teoria e laboratori. Opportune esercitazioni consentiranno di padroneggiare i principali modelli ed algoritmi. La modalità di erogazione sarà IN PRESENZA, e comunque nel rispetto delle norme di ateneo. 

MODALITA' DI ESAME: L' Esame è scritto, con domande di teoria e di laboratorio. Le domande possono essere aperte o a risposta multipla oppure possono essere esercizi.