Gli obiettivi del corso sono di illustrare i concetti fondamentali alla base delle reti neurali profonde (deep) discriminative e generative.
Lo studente acquisirà la capacità di impiegare reti deep - con particolare riferimento allo stato dell’arte - per il riconoscimento e la classificazione di immagini e segnali, e per la generazione di contenuti, quali immagini e testo. Saranno approfondite le tecniche fondamentali alla base dei Large Language Model, e ai recenti paradigmi di impiego basati su prompt. Saranno illustrate applicazioni in vari domini, tra cui la computer vision, speech recognition, analisi del linguaggio naturale, machine translation. Lo studente al termine del corso sarà capace di scrivere codice Python per addestrare reti di deep learning e testarle in ambito sia discriminativo che generativo.
Lo studente acquisirà la capacità di impiegare reti deep - con particolare riferimento allo stato dell’arte - per il riconoscimento e la classificazione di immagini e segnali, e per la generazione di contenuti, quali immagini e testo. Saranno approfondite le tecniche fondamentali alla base dei Large Language Model, e ai recenti paradigmi di impiego basati su prompt. Saranno illustrate applicazioni in vari domini, tra cui la computer vision, speech recognition, analisi del linguaggio naturale, machine translation. Lo studente al termine del corso sarà capace di scrivere codice Python per addestrare reti di deep learning e testarle in ambito sia discriminativo che generativo.
scheda docente materiale didattico
Convolutional Neural Networks (CNN) per l’analisi di immagini e segnali: convoluzione, pooling, feature extraction e principali applicazioni in computer vision. Embeddings e rappresentazioni distribuite dei dati.
Modelli neurali per il Natural Language Processing e introduzione ai Transformer: meccanismi di attention, tokenizzazione, Large Language Models (LLM), pre-training e utilizzo dei modelli generativi per la produzione di testo e contenuti multimodali. Tecniche moderne basate su prompting e interazione con modelli generativi.
Introduzione ai modelli generativi moderni per immagini e testo, con particolare riferimento ai modelli autoregressivi e ai diffusion models. Applicazioni alla generazione di immagini, contenuti multimediali e sistemi conversazionali intelligenti.
Paradigmi recenti basati su agenti intelligenti e orchestrazione di strumenti: architetture agent-based, utilizzo di tool esterni, memoria e pianificazione di task complessi. Introduzione ai sistemi multi-agente e ai concetti fondamentali di decision making e reinforcement learning per sistemi autonomi basati su AI.
Applicazioni del Deep Learning in differenti domini, tra cui computer vision, speech recognition, natural language processing, machine translation e sistemi autonomi intelligenti.
Attività pratiche in linguaggio Python mediante framework moderni per il Deep Learning, finalizzate alla progettazione, addestramento, valutazione e utilizzo di modelli neurali discriminativi e generativi.
Programma
Introduzione al Deep Learning e ai principali paradigmi dell’Intelligenza Artificiale moderna. Fondamenti delle reti neurali profonde: neuroni artificiali, funzioni di attivazione, ottimizzazione e tecniche di addestramento. Architetture neurali discriminative e generative.Convolutional Neural Networks (CNN) per l’analisi di immagini e segnali: convoluzione, pooling, feature extraction e principali applicazioni in computer vision. Embeddings e rappresentazioni distribuite dei dati.
Modelli neurali per il Natural Language Processing e introduzione ai Transformer: meccanismi di attention, tokenizzazione, Large Language Models (LLM), pre-training e utilizzo dei modelli generativi per la produzione di testo e contenuti multimodali. Tecniche moderne basate su prompting e interazione con modelli generativi.
Introduzione ai modelli generativi moderni per immagini e testo, con particolare riferimento ai modelli autoregressivi e ai diffusion models. Applicazioni alla generazione di immagini, contenuti multimediali e sistemi conversazionali intelligenti.
Paradigmi recenti basati su agenti intelligenti e orchestrazione di strumenti: architetture agent-based, utilizzo di tool esterni, memoria e pianificazione di task complessi. Introduzione ai sistemi multi-agente e ai concetti fondamentali di decision making e reinforcement learning per sistemi autonomi basati su AI.
Applicazioni del Deep Learning in differenti domini, tra cui computer vision, speech recognition, natural language processing, machine translation e sistemi autonomi intelligenti.
Attività pratiche in linguaggio Python mediante framework moderni per il Deep Learning, finalizzate alla progettazione, addestramento, valutazione e utilizzo di modelli neurali discriminativi e generativi.
Testi Adottati
Dispense a cura del docente.Modalità Frequenza
La frequenza non è obbligatoria ma raccomandata.Modalità Valutazione
Prova scritta, prova pratica