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

L’insegnamento si propone che gli studenti acquisiscano conoscenze sull’utilizzo di algoritmi di deep learning, comprendendone le problematiche di modellazione e computazionali, e siano in grado di progettare e valutare architetture complesse basate su 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.

Gli studenti con certificazioni valide per Disturbi Specifici dell’Apprendimento (DSA), per disabilità o altri bisogni educativi sono invitati a contattare il docente e il referente di Scuola per la disabilità all’inizio dell’insegnamento per concordare eventuali modalità didattiche che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali. 

I contatti del referente di Scuola per la disabilità sono disponibili al seguente link https://unige.it/commissioni/comitatoperlinclusionedeglistudenticondisabilita.

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

LEZIONI

INIZIO LEZIONI

https://easyacademy.unige.it/portalestudenti/index.php?view=easycourse&_lang=it&include=corso

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

MODALITA' D'ESAME

L'esame consisterà in 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.

ALTRE INFORMAZIONI

Per ulteriori informazioni, consultare il modulo Aulaweb dell'insegnamento o contattare il docente.

Gli studenti con certificazioni valide per Disturbi Specifici dell’Apprendimento (DSA) possono richiedere adattamenti in sede d'esame, con almeno 7 giorni di anticipo rispetto alla data dell’esame, compilando il "modulo richieste adattamenti" (dai servizi online https://modulionline.unige.it/richiesta-adattamenti#no-back) che verrà inviato in automatico dal sistema al/alla docente responsabile dell’insegnamento e al/alla docente referente per gli studenti con disabilità e con DSA della propria Scuola/Area. 

Lo studente riceverà una copia della sua richiesta.