Deep learning con applicazioni
A.A. 2021/2022
Obiettivi formativi
L'insegnamento affronta il tema dell'apprendimento profondo (Deep Learning) da un punto di vista teorico e pratico, introduce i diversi elementi di base dell'apprendimento (modelli non lineari, tecniche di minimizzazione, convalida incrociata e ottimizzazione degli iperparametri) e si sofferma sui principali modelli di apprendimento supervisionato, non supervisionato e per rinforzo.
Risultati apprendimento attesi
Al termine dell'insegnamento lo studente sarà in grado di:
- illustrare modelli di apprendimento profondo nel contesto di apprendimento
supervisionato, non supervisionato e per rinforzo.
- identificare modelli di apprendimento profondo adeguati alla risoluzione di
problemi in ambito di fisica e oltre.
- utilizzare software e librerie per lo sviluppo di modelli di apprendimento
profondo.
- illustrare modelli di apprendimento profondo nel contesto di apprendimento
supervisionato, non supervisionato e per rinforzo.
- identificare modelli di apprendimento profondo adeguati alla risoluzione di
problemi in ambito di fisica e oltre.
- utilizzare software e librerie per lo sviluppo di modelli di apprendimento
profondo.
Periodo: Secondo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Secondo semestre
Programma
- Definizione di Deep Learning, l'importanza attuale, sfide e limiti.
- Modelli non-lineari, metriche di performance e tecniche di allenamento.
- Tecniche di hyper-optimization.
- Tecniche per unbalanced training.
- Definizione e esempi di deep neural networks.
- Modelli di regressione e classificazione con deep learning.
- Modelli generativi con deep learning.
- Modelli di reinforcement learning con deep learning.
- Introduzione alle tecniche di image recognition e object detection.
- Accenni su graph neural networks.
- Accenni su Quantum Machine Learning models
- Modelli non-lineari, metriche di performance e tecniche di allenamento.
- Tecniche di hyper-optimization.
- Tecniche per unbalanced training.
- Definizione e esempi di deep neural networks.
- Modelli di regressione e classificazione con deep learning.
- Modelli generativi con deep learning.
- Modelli di reinforcement learning con deep learning.
- Introduzione alle tecniche di image recognition e object detection.
- Accenni su graph neural networks.
- Accenni su Quantum Machine Learning models
Prerequisiti
Conoscenze di base in statistica, analisi e algebra lineare.
Conoscenza di almeno un linguaggio di programmazione.
Conoscenza di almeno un linguaggio di programmazione.
Metodi didattici
Lezioni frontali e esercizi in laboratorio di calcolo.
Materiale di riferimento
Testi:
- Deep learning, I. Goodfellow, Y. Bengio, A. Courville
- The elements of statistical learning, T. Hastie, R. Tibshirani, J. Friedman
- An introduction to statistical learning, G. James, D. Witten, T. Hastie, R. Tibshirani
Websites:
- Ariel: https://ariel.unimi.it/
- https://github.com/scarrazza/DL2022
- Deep learning, I. Goodfellow, Y. Bengio, A. Courville
- The elements of statistical learning, T. Hastie, R. Tibshirani, J. Friedman
- An introduction to statistical learning, G. James, D. Witten, T. Hastie, R. Tibshirani
Websites:
- Ariel: https://ariel.unimi.it/
- https://github.com/scarrazza/DL2022
Modalità di verifica dell’apprendimento e criteri di valutazione
Sviluppo di un progetto. L'argomento del progetto deve essere discusso in precedenza con il docente. Il progetto dovrebbe dimostrare la comprensione degli argomenti delle lezioni e la capacità di proporre e motivare soluzioni innovative a specifici problemi di ricerca.
FIS/02 - FISICA TEORICA, MODELLI E METODI MATEMATICI - CFU: 6
Lezioni: 42 ore
Docente:
Carrazza Stefano
Docente/i
Ricevimento:
Lunedi a venerdi a partire dalle 12:30
Via Celoria 16, ufficio DC/1/4