- Oggetto:
- Oggetto:
Reti Neurali e Deep Learning
- Oggetto:
Neural Networks and Deep Learning
- Oggetto:
Anno accademico 2022/2023
- Codice dell'attività didattica
- INF0188
- 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
- 9 CFU - Numero di ore - Number of hours: 48 (in aula) + 24 (in laboratorio)
- 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 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.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. Deep RBM. Valutazioni critiche e valutazioni cognitive su reti neurali. Reti ricorrenti profonde(RNN), loro addestramento e applicazioni alla generazione di linguaggio, meccanismi di attenzione per RNN, tecniche di sparsificazione di modelli profondi. 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. Deep RBM. Cognitive and critical assessment of neural networks. Deep recurrent neural networks (RNN) for sequence and language generation, attention mechanisms for RNN, sparsity techniques for deep models. Main models coding in Matlab, Pytorch (or TensorFlow) frameworks. .Testi consigliati e bibliografia
- Oggetto:
- Altro
- Titolo:
- Slides del corso, disponibili su Elearning
- 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:
Lo strumento didattico principale sono le lezioni e le slides di supporto. I libri di testo possono essere consultati per studiare meglio alcune parti del programma per cui lo studente non ha potuto seguire le lezioni.
- Oggetto:
