- Oggetto:
- Oggetto:
Deep Learning
- Oggetto:
Deep Learning
- Oggetto:
Anno accademico 2023/2024
- Codice attività didattica
- FIS0168
- Docente
- Matteo Osella (Titolare del corso)
- Corso di studio
- Laurea Magistrale Interateneo in Fisica dei sistemi complessi
- Anno
- 1° anno
- Periodo
- Secondo Semestre
- Tipologia
- B=Caratterizzante
- Crediti/Valenza
- 6
- SSD attività didattica
- FIS/07 - fisica applicata (a beni culturali, ambientali, biologia e medicina)
- Erogazione
- Tradizionale
- Lingua
- Inglese
- Frequenza
- Facoltativa
- Tipologia esame
- Orale
- Prerequisiti
- Nozioni di base di Analisi Dati e Machine Learning.
(l'insegnamento "Data Mining" -o insegnamento analogo- è propedeutico) - Oggetto:
Sommario insegnamento
- Oggetto:
Obiettivi formativi
Verranno presentati i principali modelli di reti neurali artificiali alla base del moderno "deep learning".
Saranno esplorati sia i fondamenti teorici del deep learning che le tecniche di applicazione in diversi contesti.
The lectures cover the basic models of artificial neural networks. We will focus on the theoretical foundations of modern deep learning as well as on its applications in different contexts.
- Oggetto:
Risultati dell'apprendimento attesi
Conoscenza e capacità di comprensione: Comprensione della teoria alla base dei principali modelli di reti neurali artificiali e delle tecniche di addestramento e di applicazione.
Capacità di applicare conoscenza e comprensione: Capacita' di costruire un progetto di machine learning usando reti neurali artificiali complesse.
Understanding the main models of artificial neural networks and their applications.
Ability to design a machine learning project using neural networks with a full understanding of the steps required.
- Oggetto:
Programma
Breve ripasso di concetti base di machine learning: maximum likelihood estimation, regolarizzazione e inferenza bayesiana.
Introduzione alla Teoria dell'Informazione.
Reti neurali artificiali: dal percettrone alle reti neurali profonde.
Ottimizzazione: Stochastic gradient descent e sue varianti, Backpropagation.
Reti neurali convoluzionali e loro applicazioni.
PCA & AutoencodersReti Ricorrenti, GRU, LSTM
Word Embeddings
Attention
Introduction to Neural Networks and Neuron models
Basics of machine learning and information theory
Feedforward networks: from the perceptron to deep networks
Learning process and backpropagation
Convolutional networks and their applications
Principal Component Analysis and AutoencodersRecurrent Neural Networks, GRU, LSTM
Word Embeddings
Attention
- Oggetto:
Modalità di insegnamento
Lezioni frontali in presenza. 48 ore di lezione principalmente alla lavagna.
Orario lezioni disponibile su campusnet.
Videolezioni sono presenti sulla pagina moodle
Live lectures. 48 hours of lectures, mainly at the blackboard.
Recoreded Video Lectures are present on the moodle course page. A forum is present in the same page for discussions, comments and questions on the course contents.
- Oggetto:
Modalità di verifica dell'apprendimento
Esame orale con 2 possibili modalità:
1) Progetto con componente computazionale (es. implementazione di una rete neurale per uno specifico task) + domande di teoria
2 ) Solo domande di teoria sugli argomenti del corso.
Oral exam with 2 possible modalities:
1) Project presentation (implementation of a neural network for a specific task) + theory questions
2) Only theory questions.
Testi consigliati e bibliografia
- Oggetto:
C.M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
Mehta et al. A high-bias, low-variance introduction to Machine Learning for physicists. 2019. Phys Rep. 810:1-124 https://arxiv.org/abs/1803.088
I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. MIT Press, 2016.
A. Geron. Hands-On Machine Learning With Scikit-Learn and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems. Oreilly & Associates Inc. 2017.
Discussion about the references in the first video lecture
- Oggetto:
Orario lezioni
Giorni Ore Aula Martedì 14:00 - 16:00 Giovedì 16:00 - 18:00 Venerdì 11:00 - 13:00 Lezioni: dal 19/03/2024 al 07/06/2024
Nota: Lezione il venerdì dal 3/5
- Registrazione
- Aperta
- Oggetto: