2. Docenti
  3. Didattica

MACHINE LEARNING

Pasquale FOGGIA MACHINE LEARNING

0622700066
DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
CORSO DI LAUREA MAGISTRALE
INGEGNERIA INFORMATICA
2021/2022



OBBLIGATORIO
ANNO CORSO 1
ANNO ORDINAMENTO 2017
SECONDO SEMESTRE
CFUOREATTIVITÀ
324LEZIONE
324ESERCITAZIONE
324LABORATORIO


MARIO VENTO T Curriculum
DIEGO GRAGNANIELLO Curriculum
Obiettivi
L’insegnamento fornisce le conoscenze teoriche, metodologiche e tecnologiche per l’apprendimento automatico e per l’analisi di grandi quantità di dati, includendo tecniche tradizionali e paradigmi innovativi come il Deep Learning.

Conoscenze e capacità di comprensione
Principali paradigmi di apprendimento, supervisionato e non supervisionato, con particolare riferimento al paradigma neurale; modelli ed architetture per il Deep learning; framework e tecnologie per l’apprendimento automatico su grandi quantità di dati.

Conoscenza e capacità di comprensione applicate
Progettare e realizzare soluzioni che usano l’apprendimento automatico su grandi quantità di dati, integrando nella maniera più efficace tecnologie e strumenti esistenti e configurandone in maniera ottimale i parametri di funzionamento.
Prerequisiti
L'INSEGNAMENTO RICHIEDE LA CONOSCENZA DI BASE DEL LINGUAGGIO PYTHON.
Contenuti
Introduzione al machine learning. Schema generale di un sistema di apprendimento. Errore di bias ed errore di varianza. Overfitting. La maledizione della dimensionalità. Validazione. K-Fold Cross-validation
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 6/0/2)

Apprendimento con reti neurali artificiali. Il percettrone. Le reti
multi-layer perceptron (MLP). Ottimizzazione col metodo del gradiente discendente. Back propagation (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 4/0/4)

Clustering con reti neurali. Learning vector quantization (LVQ). Il problema del manifold learning e le reti SOM. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 3/0/3)

Deep learning con reti neurali. Principi fondamentali.
Le reti convolutional neural network (CNN). Regolarizzazione nelle reti neurali (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 4/0/6)

Tecniche per l'addestramento di reti profonde e per il transfer
learning. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 4/0/4)

Reti ricorrenti. LSTM e GRU. Uso di reti ricorrenti per il Natural Language Processing. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 4/0/4)

Reinforcement learning. Concetti generali. L’algoritmo di Q-learning. Esempi di Deep Reinforcement Learning. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 4/0/4)

Architetture Deep-Learning avanzate. Autoencoders e Variational Auto-Encoders. Siamese Networks. ResNet. U-Net. Architetture per effettuare simultaneamente detection e recognition (es. YOLO). Generative-Adversarial Networks (GAN). (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 8/0/8)

TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 37/0/35
Metodi Didattici
L’INSEGNAMENTO CONTEMPLA LEZIONI TEORICHE, ESERCITAZIONI IN AULA ED ESERCITAZIONI PRATICHE DI LABORATORIO.
Verifica dell'apprendimento
IL RAGGIUNGIMENTO DEGLI OBIETTIVI DELL’INSEGNAMENTO E CERTIFICATO MEDIANTE IL SUPERAMENTO DI UN ESAME CON VALUTAZIONE IN TRENTESIMI. L'ESAME PREVEDE LA DISCUSSIONE DI UN PROGETTO REALIZZATO IN GRUPPO (CON GRUPPI DI 3-4 PERSONE) E UN COLLOQUIO ORALE INDIVIDUALE.
LA DISCUSSIONE DEL PROGETTO È VOLTA A DIMOSTRARE LA CAPACITÀ DI APPLICARE LE CONOSCENZE E LA CAPACITÀ DI COMPRENSIONE MEDIANTE LA REALIZZAZIONE UNA SEMPLICE APPLICAZIONE DEGLI STRUMENTI DI MACHINE LEARNING O BIG DATA ANALYTICS PRESENTATI NEL CORSO A UN PROBLEMA PROPOSTO DAL DOCENTE. LA DISCUSSIONE DEL PROGETTO PREVEDE UNA DIMOSTRAZIONE PRATICA DEL FUNZIONAMENTO DELL'APPLICAZIONE REALIZZATA, LA PRESENTAZIONE DELLA VALUTAZIONE DELLE PRESTAZIONI DELL'APPLICAZIONE MEDIANTE INDICATORI QUANTITATIVI, E UNA DESCRIZIONE DELLE SCELTE TECNICHE EFFETTUATE, EVENTUALMENTE CON L'AUSILIO DI SLIDE.
IL COLLOQUIO ORALE MIRA A VERIFICARE IL LIVELLO DELLE CONOSCENZE E DELLA CAPACITÀ DI COMPRENSIONE DEGLI ARGOMENTI AFFRONTATI NEL CORSO, NONCHÉ LA CAPACITÀ DI ESPOSIZIONE DELLO STUDENTE.
Testi
"DEEP LEARNING", IAN GOODFELLOW AND YOSHUA BENGIO AND AARON COURVILLE, MIT PRESS.

DISPENSE E ALTRO MATERIALE FORNITO DURANTE IL CORSO

MATERIALE DIDATTICO INTEGRATIVO SARà DISPONIBILE NELLA SEZIONE DEDICATA DELL'INSEGNAMENTO ALL'INTERNO DELLA PIATTAFORMA E-LEARNING DI ATENEO (HTTP://ELEARNING.UNISA.IT) ACCESSIBILE AGLI STUDENTI DEL CORSO TRAMITE LE CREDENZIALI UNICHE DI ATENEO
Altre Informazioni
L'INSEGNAMENTO E' EROGATO IN INGLESE
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2022-11-21]