2. Docenti
  3. FOGGIA Pasquale
  4. Didattica

GENERATIVE AI

Pasquale FOGGIA GENERATIVE AI

0622700124
DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
CORSO DI LAUREA MAGISTRALE
INGEGNERIA INFORMATICA
2024/2025



ANNO CORSO 2
ANNO ORDINAMENTO 2022
SECONDO SEMESTRE
CFUOREATTIVITÀ
324LEZIONE
324LABORATORIO
PASQUALE FOGGIA T Curriculum
Obiettivi
L’INSEGNAMENTO INTRODUCE I CONCETTI FONDAMENTALI SUI MODELLI GENERATIVI, E PRESENTA ARCHITETTURE ALLO STATO DELL’ARTE BASATE SUL DEEP LEARNING PER LA GENERAZIONE DI INFORMAZIONI COMPLESSE.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE
CONCETTI FONDAMENTALI SUI MODELLI GENERATIVI. MODELLI GENERATIVI CONDIZIONALI. AUTO-ENCODER E VARIATIONAL AUTO-ENCODER (VAE). GENERATIVE ADVERSARIAL NETWORKS (GAN). DIFFUSION MODELS.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE
PROGETTARE E REALIZZARE SISTEMI BASATI SU MACHINE LEARNING PER LA GENERAZIONE DI DATI COMPLESSI (ES. IMMAGINI) A PARTIRE DA CAMPIONI DI ESEMPIO, USANDO ARCHITETTURE ALLO STATO DELL’ARTE.
Prerequisiti
PROPEDEUTICITÀ: MACHINE LEARNING
È RICHIESTA LA CONOSCENZA DEI FONDAMENTI DELLA TEORIA DELLA PROBABILITÀ.
Contenuti
UNITÀ DIDATTICA 1: CONCETTI INTRODUTTIVI (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/2/0)
- 1 (2 ORE LEZIONE): RICHIAMI DI TEORIA DELLA PROBABILITÀ
- 2 (2 ORE LEZIONE): CENNI DI TEORIA DELL'INFORMAZIONE
- 3 (2 ORE LABORATORIO): ESERCIZI SU PROBABILITÀ E INFORMAZIONE.
- 4 (2 ORE LEZIONE): MODELLI DISCRIMINATIVI E MODELLI GENERATIVI. MODELLI GENERATIVI CONDIZIONALI. CAMPIONAMENTO DI UNA VARIABILE ALEATORIA.
- 5 (2 ORE LEZIONE): CAMPIONAMENTO ATTRAVERSO L'USO DI VARIABILI LATENTI. STIMA DI DISTRIBUZIONI DI PROBABILITÀ A PARTIRE DA ESEMPI.
- 6 (2 ORE LABORATORIO): ESEMPI DI USO DI TECNICHE DI CAMPIONAMENTO.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE: CONCETTI FONDAMENTALI SUI MODELLI GENERATIVI. MODELLI GENERATIVI CONDIZIONALI.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: APPLICARE MODELLI GENERATIVI DI BASE PER LA GENERAZIONE DI CAMPIONI DI SEMPLICI DISTRIBUZIONI.

UNITÀ DIDATTICA 2: AUTO-ENCODER (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/0/6)
- 7 (2 ORE LEZIONE): AUTO-ENCODER DETERMINISTICI.
- 8 (2 ORE LABORATORIO): USO DI AUTO-ENCODER DETERMINISTICI PER IL DENOISING E PER LA RIDUZIONE DI DIMENSIONALITÀ.
- 9 (2 ORE LEZIONE): AUTO-ENCODER VARIAZIONALI (VAE).
- 10 (2 ORE LABORATORIO): USO DI AUTO-ENCODER PER LA GENERAZIONE DI IMMAGINI E DEEP-FAKE.
- 11 (2 ORE LABORATORIO): USO DI AUTO-ENCODER PER L'ANOMALY DETECTION. USO DI AUTO-ENCODER VARIAZIONALI PER IL MIGLIORAMENTO DI IMMAGINI.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE: AUTO-ENCODER E AUTO-ENCODER VARIAZIONALI (VAE).
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: PROGETTARE E REALIZZARE SISTEMI BASATI SU AUTO-ENCODER PER LA GENERAZIONE DI DATI COMPLESSI E PER ALTRI PROBLEMI DI ANALISI ED ELABORAZIONE DEI DATI.

UNITÀ DIDATTICA 3: GENERATIVE ADVERSARIAL NETWORKS (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/0/6)
- 12 (2 ORE LEZIONE) ADVERSARIAL MACHINE LEARNING. GENERATIVE ADVERSARIAL NETWORKS (GAN) E CONDITIONAL GAN.
- 13 (2 ORE LEZIONE) PROBLEMI DI ADDESTRAMENTO DELLE GAN.
- 14 (2 ORE LABORATORIO) USO DI GAN PER GENERAZIONE DI IMMAGINI E IMAGE-TO-IMAGE TRANSLATION.
- 15 (2 ORE LABORATORIO) USO DI GAN PER L'ALTERAZIONE DI IMMAGINI (ES. AGING DI VOLTI).
- 16 (2 ORE LABORATORIO) USO DI GAN PER LA GENERAZIONE DI AUDIO.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE: GENERATIVE ADVERSARIAL NETWORKS (GAN).
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: PROGETTARE E REALIZZARE SISTEMI BASATI SU GAN PER LA GENERAZIONE DI DATI COMPLESSI E PER ALTRI PROBLEMI DI ANALISI ED ELABORAZIONE DEI DATI.

UNITÀ DIDATTICA 4: DIFFUSION MODELS (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 8/0/8)
- 17 (2 ORE LEZIONE) DIFFUSION MODELS. DENOISING DIFFUSION PROBABILISTIC MODEL (DDPM).
- 18 (2 ORE LEZIONE) SCORE-BASED GENERATIVE MODELS.
- 19 (2 ORE LEZIONE) GUIDED DIFFUSION PER LA REALIZZAZIONE DI MODELLI GENERATIVI CONDIZIONALI.
- 20 (2 ORE LABORATORIO) USO DI DIFFUSION MODELS PER LA GENERAZIONE DI IMMAGINI DA TESTO.
- 21 (2 ORE LABORATORIO) USO DI DIFFUSION MODELS PER LA MODIFICA DI IMMAGINI.
- 22 (2 ORE LABORATORIO) USO DI DIFFUSION MODELS PER LA GENERAZIONE DI VIDEO.
- 23 (2 ORE LEZIONE) TECNICHE PER IL FINE-TUNING DI DIFFUSION MODELS.
- 24 (2 ORE LABORATORIO) ESEMPI DI FINE TUNING DI DIFFUSION MODELS.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE: DIFFUSION MODELS.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: PROGETTARE E REALIZZARE SISTEMI BASATI SU DIFFUSION MODELS PER LA GENERAZIONE DI DATI COMPLESSI E PER ALTRI PROBLEMI DI ANALISI ED ELABORAZIONE DEI DATI.


TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 24/0/24
Metodi Didattici
L'INSEGNAMENTO ABBINA ALLE LEZIONI TEORICHE LE ESERCITAZIONI DI LABORATORIO, CHE INCLUDONO SIA LO SVILUPPO E L'ADDESTRAMENTO DI SISTEMI BASATI SULLE TECNICHE DI MACHINE LEARNING PRESENTATE NEL CORSO, CHE L'UTILIZZO DI MODELLI GENERATIVI PRE-ADDESTRATI.
LE ATTIVITÀ DIDATTICHE SARANNO SUPPORTATE DALL'USO DELLA PIATTAFORMA DI E-LEARNING DI ATENEO PER FACILITARE E STIMOLARE LA DISCUSSIONE E IL DIBATTITO TRA GLI STUDENTI, NONCHÉ PER LA NOTIFICA E LA DISTRIBUZIONE DI MATERIALE DIDATTICO.
LA FREQUENZA DELLE LEZIONI È OBBLIGATORIA. PER ACCEDERE ALL'ESAME FINALE, LO STUDENTE DEVE AVER FREQUENTATO ALMENO IL 70% DELLE ORE DI DIDATTICA FRONTALE.
Verifica dell'apprendimento
L'ESAME È FINALIZZATO A VALUTARE LE CONOSCENZE E LA COMPRENSIONE COMPLESSIVA DEI CONCETTI PRESENTATI NEL CORSO, LA CAPACITÀ DI APPLICARE TALI CONOSCENZE PER REALIZZARE E DOCUMENTARE APPLICAZIONI SOFTWARE E LA CAPACITÀ DI COMUNICARE E PRESENTARE IL LAVORO SVOLTO.
LA PROVA CONSISTE NELLA DISCUSSIONE DI UN ELABORATO, SVOLTO IN PARTE DURANTE IL CORSO, IL CUI SCOPO È VALUTARE LA CAPACITÀ DI APPLICARE LE CONOSCENZE, DI COMUNICARE ATTRAVERSO LA PRESENTAZIONE DEI RISULTATI RAGGIUNTI, L’AUTONOMIA DI GIUDIZIO, E DA UN COLLOQUIO ORALE, IL CUI SCOPO È VALUTARE LE CONOSCENZE E LE CAPACITÀ DI COMPRENSIONE ACQUISITE, LA CAPACITÀ DI APPRENDERE DIMOSTRATA, L’ESPOSIZIONE ORALE.
L'ELABORATO CONSISTE IN UN PICCOLO PROGETTO SOFTWARE CHE APPLICA UNA DELLE TECNICHE PRESENTATE NEL CORSO A UN PROBLEMA ASSEGNATO DAL DOCENTE.
IL COLLOQUIO ORALE VERTERÀ SUGLI ARGOMENTI TEORICI DEL CORSO E SULLE SCELTE PROGETTUALI E REALIZZATIVE ADOTTATE PER L'ELABORATO, E LA VALUTAZIONE TERRÀ CONTO DELLE CONOSCENZE DIMOSTRATE DALLO STUDENTE E DEL GRADO DEL LORO APPROFONDIMENTO, DELLA CAPACITÀ DI APPRENDERE DIMOSTRATA, DELLA QUALITÀ DELL’ESPOSIZIONE.
NELLA VALUTAZIONE FINALE, ESPRESSA IN TRENTESIMI, LA VALUTAZIONE DELL'ELABORATO PROGETTUALE ED IL COLLOQUIO ORALE PESERANNO RISPETTIVAMENTE PER IL 40% E IL 60%. LA LODE POTRÀ ESSERE ATTRIBUITA AGLI STUDENTI CHE DIMOSTRINO DI SAPER APPLICARE LE CONOSCENZE ACQUISITE CON AUTONOMIA ANCHE IN CONTESTI DIVERSI DA QUELLI PROPOSTI NEL CORSO.
Testi
TESTO DI RIFERIMENTO:
CHRISTOPHER M. BISHOP WITH HUGH BISHOP: "DEEP LEARNING. FOUNDATIONS AND CONCEPTS.", SPRINGER, 2024.

MATERIALE DIDATTICO INTEGRATIVO SARA' DISPONIBILE NELLA SEZIONE DEDICATA DELL'INSEGNAMENTO ALL'INTERNO DELLA PIATTAFORMA E-LEARNING DI ATENEO (HTTPS://ELEARNING.UNISA.IT) ACCESSIBILE AGLI STUDENTI DEL CORSO TRAMITE LE CREDENZIALI UNICHE DI ATENEO.
Altre Informazioni
L'INSEGNAMENTO È TENUTO IN INGLESE.
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-11-29]