| Nome del corso di laurea |
Informatica |
| Codice insegnamento |
A002051 |
| Curriculum |
Comune a tutti i curricula |
| Docente responsabile |
Valentina Poggioni |
| Docenti |
|
| Ore |
- 68 Ore - Valentina Poggioni
|
| CFU |
9 |
| Regolamento |
Coorte 2025 |
| Erogato |
Erogato nel 2025/26 |
| Erogato altro regolamento |
|
| Attività |
Caratterizzante |
| Ambito |
Discipline informatiche |
| Settore |
INF/01 |
| Anno |
1 |
| Periodo |
Secondo Semestre |
| Tipo insegnamento |
Obbligatorio (Required) |
| Tipo attività |
Attività formativa monodisciplinare |
| Lingua insegnamento |
INGLESE |
| Contenuti |
MLP Neural Networks; Training methods and algorithms; CNN; RNN: LSTM and GRU; Autoencoders; Attention Models; Transformers; Discriminative and Generative Models; GAN, VAE and Diffusion Models; Representational Learning; Text embedding; Clustering; Dimensionality Reduction; Anomaly Detection; Introduction to Adversarial Machine Learning. |
| Testi di riferimento |
- Prince. Understanding Deep Learning. MIT Press. 2023 - Goodfellow, Bengio, Courville. Deep Learning. 2018. (also free online at deeplearning https://www.deeplearningbook.org/) - Nielsen, Neural Networks and Deep Learning. 2019 (online book, avalilable at http://neuralnetworksanddeeplearning.com/) - Charu C. Aggarwal, Neural Networks and Deep Learning. Springer, 2019 - Daniel Jurafsky and James H. Martin. 2025. Speech and Language Processing, 3rd edition. Online manuscript released January 12, 2025. https://web.stanford.edu/~jurafsky/slp3. |
| Obiettivi formativi |
Lo studente conoscerà i principali metodi del machine and deep learning secondo i vari approcci supervisionato, semi-supervisionato e non supervisionato. Conoscerà inoltre alcuni metodi tipici del deep learning anche applicato a problemi di computer vision e natural language processing. Sarà in grado di progettare implementare, addestrare e testare sistemi intelligenti per la classificazione, il clustering e l'anomaly detection basati su modelli avanzati di reti neurali. Conoscerà i principali metodi generativi, il meccanismo dell'attenzione e le architetture tranformers che sono alla base dei Large Language Models |
| Prerequisiti |
Consigliati "Introduzione all'intelligenza artificiale" e "ARTIFICIAL INTELLIGENT SYSTEMS (1 semestre)" |
| Metodi didattici |
Lezioni frontali in aula e lezioni pratiche in laboratorio |
| Altre informazioni |
Per qualsiasi altra informazione www.unistudium.unipg.it |
| Modalità di verifica dell'apprendimento |
Esame orale e progetto. Prove intermedie durante il corso |
| Programma esteso |
MLP Neural Networks; Training methods and algorithms; CNN; RNN: LSTM and GRU; Autoencoders; Attention Models; Transformers; Discriminative and Generative Models; GAN, VAE and Diffusion Models; Representational Learning; Text embedding; Clustering; Dimensionality Reduction; Anomaly Detection; Introduction to Adversarial Machine Learning. |
