Insegnamento MACHINE LEARNING
- Corso
- Informatica
- Codice insegnamento
- A002051
- Curriculum
- Comune a tutti i curricula
- Docente
- Valentina Poggioni
- Docenti
-
- Valentina Poggioni
- Ore
- 68 ore - Valentina Poggioni
- CFU
- 9
- Regolamento
- Coorte 2025
- Erogato
- 2025/26
- Attività
- Caratterizzante
- Ambito
- Discipline informatiche
- Settore
- INF/01
- 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.