Codice insegnamento

4S012352

Crediti

12

Coordinatore

Marco Cristani

Lingua di erogazione

Inglese

Offerto anche nei corsi:

• Deep learning del corso Laurea magistrale in Computer Engineering for Robotics and Smart Industry
• Advanced database & information systems del corso Laurea magistrale in Computer Engineering for Robotics and Smart Industry

Corsi Singoli

Autorizzato

Moodle Seminari 0

L'insegnamento è organizzato come segue:

Obiettivi di apprendimento

L'obiettivo del corso è consentire agli studenti di acquisire conoscenze approfondite delle metodologie e degli strumenti necessari per gestire grandi moli di dati nei nuovi sistemi non basati sul modello relazionale e di acquisire conoscenze approfondite delle nuove tecniche di machine learning basate su reti profonde per il processamento dei dati. Nel primo modulo, Data Management Systems, si considereranno quindi sistemi basati su modelli semi-strutturati o document-based, NoSQL e modelli estesi con le dimensioni tempo e spazio. In particolare, verranno considerati i sistemi che devono memorizzare dati prodotti anche da sensori e dispositivi mobili in modo tale che sia possibile una corretta integrazione di tali nuove fonti di dati con il sistema informativo aziendale. Lo studente al termine del corso sarà in grado di progettare e interrogare basi di dati non tradizionali con strumenti tipici dell’approccio NoSQL. Nel secondo modulo, lo studente apprenderà i fondamenti delle reti neurali come evoluzione di modelli lineari, inclusa l'architettura, le funzioni di attivazione e la backpropagation. Conoscerà le basi degli algoritmi di ottimizzazione utilizzati nell'addestramento delle reti neurali. Acquisirà compestense sulle architetture di reti neurali di base: lo studente conoscerà vari tipi di reti neurali come le reti neurali convoluzionali (CNN) per l'analisi delle immagini, le reti neurali ricorrenti (RNN) per i dati sequenziali e i transformer per l'elaborazione del linguaggio naturale. Sarà in grado di comprendere i principi di progettazione alla base di queste architetture e delle relative applicazioni, e le teorie matematiche sottostanti. Nondimeno, sarà in grado di applicare le tecniche a problemi reali, capendo quali debbano essere i dati in input e in output. Lo studente comprenderà l'importanza della preelaborazione dei dati e come preparare i dati per l'addestramento. Sarà in grado di applicare tecniche di data augmentation per aumentare la diversità dei dati di addestramento. Infine, acquisirà competenze su achitetture di reti neurali avanzate: Lo studente sarà in grado di affrontare problemi di elaborazione del linguaggio naturale (NLP) e visione artificiale (CV) come la classificazione del testo, il riconoscimento di oggetti e la traduzione automatica. A questo proposito, lo studente saprà come utilizzare strumenti avanzati quali variational encoders, generative adversarial network, NERF, large language models. Lo studente apprenderà anche le basi dell’interpretabilità di una rete neurale. Questo permetterà di offrire strumenti di garanzia sui risultati prodotti dalle reti neurali. Al termine del corso avrà anche acquisito esperienza pratica con framework di deep learning popolari come TensorFlow, PyTorch e Keras. Sarà in grado di creare, addestrare e valutare modelli di deep learning utilizzando questi framework.

Prerequisiti e nozioni di base

Modulo di Data Management: Fondamenti di informatica (logica di programmazione, strutture dati di base), sistemi operativi (gestione dei file, concetti di processi e thread), matematica di base (algebra, logica). TCP/IP e modelli di rete.

Modulo di Deep Learning: Algebra Lineare (Vettori e matrici, operazioni con matrici, autovalori e autovettori, spazi vettoriali e loro trasformazioni), Calcolo (derivate e integrali, derivate parziali), Probabilità e statistica, Programmazione (Python o Matlab), Machine learning (modelli supervisionati e non supervisionati)

Bibliografia

Criteri di composizione del voto finale

Il voto finale viene assegnato come somma dei voti dei due moduli, i quali andranno da 9 (la sufficienza) a 15 (il massimo per un insegnamento). La lode verrà assegnata di comune accordo dai docenti dei due moduli.