Vai al contenuto principale
Oggetto:
Oggetto:

Reti Neurali e Deep Learning - Parte A

Oggetto:

Neural Networks and deep learning - A

Oggetto:

Anno accademico 2022/2023

Codice dell'attività didattica
INF0189
Docenti
Rossella Cancelliere (Titolare)
Valentina Gliozzi (Titolare)
Corso di studi
[008515] Laurea magistrale in informatica
Anno
1° anno 2° anno
Periodo didattico
Primo semestre
Tipologia
Caratterizzante
Crediti/Valenza
6 CFU - Numero di ore - Number of hours: 32 (in aula) + 16 (esercitazioni)
SSD dell'attività didattica
INF/01 - informatica
Modalità di erogazione
Tradizionale
Lingua di insegnamento
Italiano
Modalità di frequenza
Facoltativa
Tipologia d'esame
Scritto
Prerequisiti

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.
Basic notions of differential calculus, matrix calculus, basic skills in programming.
Preparatory courses (providing the expected entry skills): Analisi Matematica, Calcolo Matriciale e Ricerca Operativa, Programmazione, Sistemi intelligenti. .

Oggetto:

Sommario insegnamento

Oggetto:

Obiettivi formativi

Il corso di 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.

The course allows to acquire the basic skills related to main models of neural networks, both from the theoretical-mathematical point of view and from the point of view of application and their use. Starting from the study of elementary components, i.e. neurons, we deal with main network models and most known training rules. Deep learning foundations will also be analised. The objectives of teaching Neural Networks and Deep Learning are part of the "Obiettivi formativi specifici del CdS in Informatica (LM18)", area "trattamento dell'informazione" and "realtà virtuale".

Oggetto:

Risultati dell'apprendimento attesi

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.

The course aims to provide a critical understanding of the main neural network models and enable their use for solving problems in the fields of machine learning, data mining, and cognitive sciences.

KNOWLEDGE AND UNDERSTANDING: Acquisition of theoretical and practical knowledge of neural networks and deep learning, focusing on key themes within artificial intelligence.

APPLYING KNOWLEDGE AND UNDERSTANDING : Develop skills to apply theoretical knowledge of neural networks and deep learning to problems' solving, addressing concerns in the framework of artificial intelligence.

MAKING JUDGEMENTS: Acquisition of aware judgment autonomy concerning evaluation and
interpretation of experimental data in order to achieve strategic choices in unkonw situations.
COMMUNICATION SKILLS: Acquisition of oral and written communication skills and expertise, in italian, as well as the ability to use graphical and formal languages.
LEARNING SKILLS: Acquisition of autonomous learning capacity and self-assessment of its
preparation, in order to undertake subsequent studies with a high degree of autonomy.

Oggetto:

Modalità di insegnamento

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.
Oral lessons and laboratory exercises.

Oggetto:

Modalità di verifica dell'apprendimento

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. 
Written exam.

Oggetto:

Programma

Definizione di rete neurale e di neurone. Percettrone, Percettrone multi-livello. Reti neurali feed-forward, retropropagazione dell'errore. Reti neurali a funzioni radiali: loro addestramento. Algoritmo ELM. Convolutional neural networks (CNN).Reti di Hopfield, Self organizing maps, macchine di Boltzmann ristrette e apprendimento stocastico. Implementazione dei principali modelli in ambienti Matlab, Pytorch (o TensorFlow).
Neural networks and neural models. Perceptron, feedforward neural networks, delta rule and backpropagation training. Radial basis functions neural networks. ELM training. Convolutional Neural Networks. Hopfield networks, self organizing maps, restricted Boltzmann machines. Main models coding in Matlab, Pytorch (or TensorFlow) frameworks. .

Testi consigliati e bibliografia



Oggetto:
Altro
Titolo:  
Slides del corso, disponibili su E-learning
Obbligatorio:  
Si


Oggetto:
Libro
Titolo:  
Neural Networks: a Comprehensive Foundation. 3rd Ed.
Anno pubblicazione:  
2009
Editore:  
Pearson
Autore:  
S. Haykin
Obbligatorio:  
No


Oggetto:
Libro
Titolo:  
Deep Learning
Anno pubblicazione:  
2016
Editore:  
MIT press
Autore:  
I. Goodfellow, Y. Bengio, A. Courville
Obbligatorio:  
No


Oggetto:
Ultimo aggiornamento: 01/05/2023 09:48
Location: https://magistrale.informatica.unito.it/robots.html
Non cliccare qui!