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
Deep Learning by Ian Goodfellow, Yoshua Bengio and Aaron Courville published by MIT Press
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 KerasTesti Adottati
Hands-on machine learning with Scikit-learn Keras and TensorFlow by Aurelion Geron published by O` ReilleyDeep Learning by Ian Goodfellow, Yoshua Bengio and Aaron Courville published by MIT Press
Modalità Erogazione
Le modalità di svolgimento consistono in: Lezioni frontali, esercitazioni su piattaforma MOOC, esercitazioni erogate in classe, esercitazioni su elaboratore.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
Deep Learning by Ian Goodfellow, Yoshua Bengio and Aaron Courville published by MIT Press
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 KerasTesti Adottati
Hands-on machine learning with Scikit-learn Keras and TensorFlow by Aurelion Geron published by O` ReilleyDeep Learning by Ian Goodfellow, Yoshua Bengio and Aaron Courville published by MIT Press
Modalità Erogazione
Le modalità di svolgimento consistono in: Lezioni frontali, esercitazioni su piattaforma MOOC, esercitazioni erogate in classe, esercitazioni su elaboratore.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
Deep Learning by Ian Goodfellow, Yoshua Bengio and Aaron Courville published by MIT Press
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 KerasTesti Adottati
Hands-on machine learning with Scikit-learn Keras and TensorFlow by Aurelion Geron published by O` ReilleyDeep Learning by Ian Goodfellow, Yoshua Bengio and Aaron Courville published by MIT Press
Modalità Erogazione
Le modalità di svolgimento consistono in: Lezioni frontali, esercitazioni su piattaforma MOOC, esercitazioni erogate in classe, esercitazioni su elaboratore.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.