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 MATERIALE DIDATTICO AULAWEB 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. Commissione d'esame NICOLETTA NOCETI (Presidente) FRANCESCA ODONE VITO PAOLO PASTORE (Presidente Supplente) 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 Indicazioni per studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali sono disponibili a partire da https://corsi.unige.it/corsi/11964/studenti-disabilita-dsa 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. Calendario appelli Data appello Orario Luogo Tipologia Note 13/01/2026 09:00 GENOVA Orale 03/02/2026 09:00 GENOVA Orale 09/06/2026 09:00 GENOVA Orale 30/06/2026 09:00 GENOVA Orale 16/07/2026 09:00 GENOVA Orale 02/09/2026 09:00 GENOVA Orale 17/09/2026 09:00 GENOVA Orale ALTRE INFORMAZIONI Per ulteriori informazioni, consultare il modulo Aulaweb dell'insegnamento o contattare il docente.
