Inglese

1)Introduzione al Deep Learning
2)Modelli di Deep Learning: principi e componenti fondamentali
3)Tipologie di Problemi risolubili con Deep Learning:
- Predizione
-Classificazione
- Generazione
3)Tipologie e Modelli di Reti Neurali Deep (Deep NN):
- Feed Forward (FFN)
- Convolutional (CNN)
- Recurrent (RNN)

4) Modelli di Apprendimento Avversariale: Adversarial Machine Learning
- Generative Adversarial Networks (GAN)

5) Modelli Generativi:
- Transformers
- Encoders
- GPT

6) Framework di implementazione basati su linguaggio Python:
- Tensorflow Keras
- Pytorch

7)Performance Evaluation
- Metriche di Accuratezza
- Precision e Recall
- Data Likelihood e Data
Faithfulness

Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, 2016, MIT Press

Python: Introduction to Programming, Cay S. Horstmann, Apogeo Edizioni, 2023 (EN./IT Version)

-Acquisire le conoscenze relative ai principali modelli di Deep Learning

-Acquisire le conoscenze per selezionare i modelli più adatti di Deep Learning in base al problema e al dominio;

-Acquisire le competenze tecniche di base per implementare un modello di deep learning ed effettuare un ciclo completo di training-validation e testing, mediante tools e framework appropriati (Tensorflow Keras, e.g.)

Conoscenze di base in Machine Learning
Conoscenze di base in programmazione in linguaggio Python

Lezioni frontali di teoria;
Attività di Laboratorio ed Esercitazioni di progettazione e programmazione in presenza;
Seminari di allineamento su avanzamenti di ricerca e tecnologie

Partecipazione attiva durante le lezioni e discussioni interattive;
Esecuzione di un progetto basato sulla realizzazione di un modello di Deep Learning per uno tra i domini e problema discussi durante il corso.

1)Introduzione al Deep Learning
2)Modelli di Deep Learning: principi e componenti fondamentali
3)Tipologie di Problemi risolubili con Deep Learning:
- Predizione
-Classificazione
- Generazione
3)Tipologie e Modelli di Reti Neurali Deep (Deep NN):
- Feed Forward (FFN)
- Convolutional (CNN)
- Recurrent (RNN)

4) Modelli di Apprendimento Avversariale: Adversarial Machine Learning
- Generative Adversarial Networks (GAN)

5) Modelli Generativi:
- Transformers
- Encoders
- GPT

6) Framework di implementazione basati su linguaggio Python:
- Tensorflow Keras
- Pytorch

7)Performance Evaluation
- Metriche di Accuratezza
- Precision e Recall
- Data Likelihood e Data
Faithfulness

English

prior passing or at least knowledge of the topics of the Fundamentals of Programming and Object Oriented Programming teachings is recommended.

Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, 2016, MIT Press

Python: Introduction to Programming, Cay S. Horstmann, Apogeo Edizioni, 2023 (EN./IT Version)

-Gain the knowledge related to the main models of Deep Learning

-Gain the knowledge to select the most suitable Deep Learning models based on the problem and domain;

-Acquire the basic technical skills to implement a deep learning model and perform a full training-validation and testing cycle, using appropriate tools and frameworks (Tensorflow Keras, e.g.)

Basic knowledge in Machine Learning
Basic knowledge in Python language programming

Frontal lectures in theory;
Laboratory activities and in-person design and programming exercises;
Alignment seminars on research advancements and technologies.

Active participation during lectures and interactive discussions;
Execution of a project based on the implementation of a Deep Learning model for one of the domains and problem discussed during the course.

1)Introduction to Deep Learning
2)Models of Deep Learning: principles and fundamental components
3)Types of Problems Solvable with Deep Learning:
- Prediction
-Classification
- Generation.
3)Types and Models of Deep Neural Networks (Deep NN):
- Feed Forward (FFN)
- Convolutional (CNN)
- Recurrent (RNN)

4)Models of Adversarial Learning: Adversarial Machine Learning
- Generative Adversarial Networks (GAN)

5) Generative Models:
- Transformers
- Encoders
- GPT

6) Python language-based implementation frameworks:
- Tensorflow Keras
- Pytorch

7)Performance Evaluation
- Accuracy Metrics.
- Precision and Recall
- Data Likelihood and Data Faithfulness