Salta al contenuto principale della pagina

COMPUTATIONAL INTELLIGENCE

CODICE 109174
ANNO ACCADEMICO 2022/2023
CFU
  • 4 cfu al 1° anno di 10728 ENGINEERING TECHNOLOGY FOR STRATEGY (AND SECURITY)(LM/DS) - GENOVA
  • SETTORE SCIENTIFICO DISCIPLINARE ING-INF/01
    SEDE
  • GENOVA
  • 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. GoodfellowY. Bengio and A. Courville, Deep Learning, The MIT Press

    Appunti del corso e altro materiale suggerito dal docente durante il corso

    DOCENTI E COMMISSIONI

    LEZIONI

    Orari delle lezioni

    L'orario di tutti gli insegnamenti è consultabile su 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

    Data Ora Luogo Tipologia Note
    01/06/2023 09:00 GENOVA Orale
    05/07/2023 09:00 GENOVA Orale
    06/09/2023 09:00 GENOVA Orale