CODICE | 109174 |
---|---|
ANNO ACCADEMICO | 2022/2023 |
CFU | |
SETTORE SCIENTIFICO DISCIPLINARE | ING-INF/01 |
SEDE |
|
PERIODO | 2° Semestre |
MATERIALE DIDATTICO | AULAWEB |
PRESENTAZIONE
Il corso intende introdurre il discente alla teoria ed alle applicazioni del machine learning, in particolare il deep learning.
OBIETTIVI E CONTENUTI
OBIETTIVI FORMATIVI
Il corso intende fornire al discente le conoscenze allo stato dell’arte, sia in termini di algoritmi/modelli sia di strumenti, per affrontare problemi utilizzando tecniche di machine learning.
OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO
L’obiettivo principale del corso è che lo studente giunga a possedere un’ampia conoscenza delle tecniche di deep learning allo stato dell’arte (reti dense, convoluzionali, ricorrenti). Per ogni argomento trattato, lo studente avrà l’opportunità di apprendere le basi teoriche, e di studiare alcuni esempi applicativi. Esercizi sono proposti, e solitamente risolti in classe, per ogni argomento, al fine di stimolare l’applicazione e verificare l’acquisizione delle conoscenze. Gli esempi ed esercizi del corso utilizzeranno il linguaggio python e la libreria Keras/Tensorflow.
I risultati di apprendimento riguardano la realizzazione degli obiettivi formativi di cui sopra, anche attraverso l’analisi di casi applicativi.
PREREQUISITI
Fondamenti di programmazione (in particolare python)
Verrà offerto inizialmente un ciclo di seminari sulla programmazione, per permettere a tutti di seguire il corso in maniera regolare
MODALITA' DIDATTICHE
Lezioni frontali, con utilizzo di slide, ed esempi/esercizi svolti al PC (o in tele-didattica, se reso necessario), utilizzando principalmente la libreria Keras/Tensorflow, inlinguaggio python. Ricevimento studenti. Proposta, realizzazione e discussione di un progetto.
PROGRAMMA/CONTENUTO
Machine learning
- Introduction to machine learning
- Linear regression
- Gradiet descent
- Classification
- Training
- Regularization
- Multilayer perceptron
- Training deep neural networks
- Pre-training and fine tuning
- Convolutional neural network architectures
- Object detectors
- Processing of sequences
- Recurrent neural networks
- Unsupervised machine learning (clustering)
Genetic algorith
TESTI/BIBLIOGRAFIA
A. Geron, Hands-On Machine Learning With Scikit-Learn and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent, O’ Reilly
I. Goodfellow, Y. Bengio and A. Courville, Deep Learning, The MIT Press
Appunti del corso e altro materiale suggerito dal docente durante il corso
DOCENTI E COMMISSIONI
Ricevimento: Su appuntamento: mail (francesco.bellotti@unige.it) o Teams o dopo lezione
Commissione d'esame
FRANCESCO BELLOTTI (Presidente)
ALBERTO CABRI (Presidente Supplente)
LEZIONI
INIZIO LEZIONI
https://easyacademy.unige.it
Orari delle lezioni
L'orario di tutti gli insegnamenti è consultabile all'indirizzo EasyAcademy.
ESAMI
MODALITA' D'ESAME
Esame scritto e/o orale sugli argomenti trattati a lezione
MODALITA' DI ACCERTAMENTO
La verifica delle conoscenze acquisite e la capacità di applicarle anche in contesti diversi da quelli presentatui a lezione verranno valutate tramite domande nel colloquio o nella prova scritta d’esame.
La valutazione terrà anche presente la partecipazione dello studente durante il corso.
Calendario appelli
Dati | Ora | Luogo | Tipologia | Note |
---|---|---|---|---|
01/06/2023 | 09:00 | GENOVA | Orale | |
15/06/2023 | 09:00 | GENOVA | Orale | |
05/07/2023 | 09:00 | GENOVA | Orale | |
25/07/2023 | 09:00 | GENOVA | Orale | |
06/09/2023 | 09:00 | GENOVA | Orale |