Fornire competenze avanzate e specifiche nell'ambito delle architetture di reti neurali Deep. Il corso è costituito da una parte teorica e metodologica sui concetti fondamentali, e da una attività laboratoriale in cui tali concetti sono applicati nella risoluzione di problemi mediante recenti framework di sviluppo. Al termine del corso lo studente sarà in grado di: addestrare e ottimizzare in maniera adeguata reti neurali Deep; saper distinguere tra diverse soluzioni, e saper selezionare e personalizzare le architetture di reti più efficaci da utilizzare in ambiti applicativi reali, supervised, unsupervised o seguendo un approccio basato su un apprendimento per rinforzo.
Curriculum
scheda docente
materiale didattico
“Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems”, O'Reilly Media, Inc, USA, 2019.
Mutuazione: 20810262 Deep Learning in Ingegneria informatica LM-32 GASPARETTI FABIO
Programma
Introduzione al Deep Learning; Addestramento di architetture Deep: tecniche di hyperparameter tuning, batch normalization, faster optimizers, regularization per reti deep; Convolutional Neural Networks (CNN/ConvNets); Analisi di sequenze: Recurrent Neural Networks (GRU, LSTM, Bidirectional); Architetture Encoder-Decoder, Autoencoders, Variational Autoencoders; Attention layers ; Generative Adversarial Networks (GAN); Deep Reinforcement Learning; Embeddings; Principali architetture convolutive (AlexNet, VGG, NiN, GoogLeNet/Inception, ResNet, DenseNet); Applicazioni alla Computer Vision e all'Analisi del linguaggio naturale in linguaggio Keras.Testi Adottati
Simon J.D. Prince. "Understanding Deep Learning". MIT Press Dec 5th 2023 A. Geron,“Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems”, O'Reilly Media, Inc, USA, 2019.
Modalità Valutazione
Le valutazioni consistono in prove in itinere che, se sostenute con successo, permettono di sostenere una prova finale limitata rispetto alla prova standard. Tutte le prove sono in forma scritta, e consistono sia in risposte aperte e chiuse.
scheda docente
materiale didattico
“Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems”, O'Reilly Media, Inc, USA, 2019.
Mutuazione: 20810262 Deep Learning in Ingegneria informatica LM-32 GASPARETTI FABIO
Programma
Introduzione al Deep Learning; Addestramento di architetture Deep: tecniche di hyperparameter tuning, batch normalization, faster optimizers, regularization per reti deep; Convolutional Neural Networks (CNN/ConvNets); Analisi di sequenze: Recurrent Neural Networks (GRU, LSTM, Bidirectional); Architetture Encoder-Decoder, Autoencoders, Variational Autoencoders; Attention layers ; Generative Adversarial Networks (GAN); Deep Reinforcement Learning; Embeddings; Principali architetture convolutive (AlexNet, VGG, NiN, GoogLeNet/Inception, ResNet, DenseNet); Applicazioni alla Computer Vision e all'Analisi del linguaggio naturale in linguaggio Keras.Testi Adottati
Simon J.D. Prince. "Understanding Deep Learning". MIT Press Dec 5th 2023 A. Geron,“Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems”, O'Reilly Media, Inc, USA, 2019.
Modalità Valutazione
Le valutazioni consistono in prove in itinere che, se sostenute con successo, permettono di sostenere una prova finale limitata rispetto alla prova standard. Tutte le prove sono in forma scritta, e consistono sia in risposte aperte e chiuse.