CODICE 101804 ANNO ACCADEMICO 2025/2026 CFU 6 cfu anno 2 MATEMATICA 9011 (LM-40) - GENOVA 9 cfu anno 1 COMPUTER SCIENCE 11964 (LM-18) - GENOVA 6 cfu anno 1 MATEMATICA 11907 (LM-40 R) - GENOVA SETTORE SCIENTIFICO DISCIPLINARE INF/01 LINGUA Inglese SEDE GENOVA PERIODO 2° Semestre PRESENTAZIONE Il corso fornirà una panoramica dei principi alla base delle reti neurali e delle deep architectures, passando dagli approcci classici a quelli più recenti OBIETTIVI E CONTENUTI OBIETTIVI FORMATIVI Apprendere come utilizzare gli algoritmi di deep learning, inclusi gli approcci classici e le metodologie e paradigmi più recenti, comprendendo le problematiche di modellazione e computazionali sottostanti; imparare a costruire e valutare architetture complesse sfruttando diversi paradigmi di apprendimento. OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO Nell'ambito dell'insegnamento verrà fornita una panoramica delle reti neurali e delle deep architecture, partendo dai principi di base fino a concetti più avanzati. Verranno discussi i diversi tipi di architetture esistenti. Inoltre, verranno introdotte metodologie recenti per discutere problemi pratici relativi ad esempio ad aspetti computazionali, alla necessità di grandi quantità di dati e alla capacità di generalizzazione. Le attività pratiche di laboratorio accompagneranno sempre le lezioni teoriche, fornendo una prospettiva pratica del problema e aiutando a migliorare la capacità di analisi critica dei risultati. PREREQUISITI Basi di Machine Learning, programmazione (preferibilmente in Python) MODALITA' DIDATTICHE Le lezioni teoriche saranno sempre accompagnate a sessioni pratiche di laboratorio Occasionalmente verranno proposte attività di lavoro in gruppo, primariamente durante le lezioni di laboratorio. PROGRAMMA/CONTENUTO Il corso coprità i seguenti argomenti: Neural Networks Convolutional Neural Networks Recurrent Neural Networks LSTMs Transformers Graph Neural Networks Autoencoders and GANs Unsupervised deep learning Representation Learning Strategies Transfer Learning and domain adaptation TESTI/BIBLIOGRAFIA Il materiale verrà messo a disposizione dai docenti sul modulo AulaWeb del corso. DOCENTI E COMMISSIONI VITO PAOLO PASTORE NICOLETTA NOCETI Ricevimento: Ricevimento su appuntamento. Contattare il docente via Teams o via email. LEZIONI INIZIO LEZIONI In accordo con il calendario didattico approvato dal Consiglio dei Corsi di Studio in Informatica: https://corsi.unige.it/corsi/11964/studenti-orario Orari delle lezioni L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy ESAMI MODALITA' D'ESAME L'esame consisterà in due parti * Un progetto che prevederà consegna di materiale e una discussione orale (non previsto se numero di crediti < 9) * Un esame orale MODALITA' DI ACCERTAMENTO L'esame valuterà la comprensione complessiva degli argomenti del corso, la capacità di generalizzare i concetti a problemi non visti e di analizzare i risultati ottenuti. Si terrà conto della chiarezza espositiva, della completezza dei concetti, della qualità delle soluzioni proposte e del pensiero critico. ALTRE INFORMAZIONI Per ulteriori informazioni, consultare il modulo Aulaweb dell'insegnamento o contattare il docente.
