Studying at the University of Verona
Here you can find information on the organisational aspects of the Programme, lecture timetables, learning activities and useful contact details for your time at the University, from enrolment to graduation.
Type D and Type F activities
Le attività formative di tipologia D sono a scelta dello studente, quelle di tipologia F sono ulteriori conoscenze utili all’inserimento nel mondo del lavoro (tirocini, competenze trasversali, project works, ecc.). In base al Regolamento Didattico del Corso, alcune attività possono essere scelte e inserite autonomamente a libretto, altre devono essere approvate da apposita commissione per verificarne la coerenza con il piano di studio. Le attività formative di tipologia D o F possono essere ricoperte dalle seguenti attività.
1. Insegnamenti impartiti presso l'Università di Verona
Comprendono gli insegnamenti sotto riportati e/o nel Catalogo degli insegnamenti (che può essere filtrato anche per lingua di erogazione tramite la Ricerca avanzata).
Modalità di inserimento a libretto: se l'insegnamento è compreso tra quelli sottoelencati, lo studente può inserirlo autonomamente durante il periodo in cui il piano di studi è aperto; in caso contrario, lo studente deve fare richiesta alla Segreteria, inviando a carriere.scienze@ateneo.univr.it il modulo nel periodo indicato.
2. Attestato o equipollenza linguistica CLA
Oltre a quelle richieste dal piano di studi, per gli immatricolati dall'A.A. 2021/2022 vengono riconosciute:
- Lingua inglese: vengono riconosciuti 3 CFU per ogni livello di competenza superiore a quello richiesto dal corso di studio (se non già riconosciuto nel ciclo di studi precedente).
- Altre lingue e italiano per stranieri: vengono riconosciuti 3 CFU per ogni livello di competenza a partire da A2 (se non già riconosciuto nel ciclo di studi precedente).
Tali cfu saranno riconosciuti, fino ad un massimo di 6 cfu complessivi, di tipologia F se il piano didattico lo consente, oppure di tipologia D. Ulteriori crediti a scelta per conoscenze linguistiche potranno essere riconosciuti solo se coerenti con il progetto formativo dello studente e se adeguatamente motivati.
Gli immatricolati fino all'A.A. 2020/2021 devono consultare le informazioni che si trovano qui.
Modalità di inserimento a libretto: richiedere l’attestato o l'equipollenza al CLA e inviarlo alla Segreteria Studenti - Carriere per l’inserimento dell’esame in carriera, tramite mail: carriere.scienze@ateneo.univr.it
3. Competenze trasversali
Scopri i percorsi formativi promossi dal TALC - Teaching and learning center dell'Ateneo, destinati agli studenti regolarmente iscritti all'anno accademico di erogazione del corso https://talc.univr.it/it/competenze-trasversali
Modalità di inserimento a libretto: non è previsto l'inserimento dell'insegnamento nel piano di studi. Solo in seguito all'ottenimento dell'Open Badge verranno automaticamente convalidati i CFU a libretto. La registrazione dei CFU in carriera non è istantanea, ma ci saranno da attendere dei tempi tecnici.
4. Periodo di stage/tirocinio
Oltre ai CFU previsti dal piano di studi (verificare attentamente quanto indicato sul Regolamento Didattico): qui informazioni su come attivare lo stage.
Insegnamenti e altre attività che si possono inserire autonomamente a libretto
| years | Modules | TAF | Teacher |
|---|---|---|---|
| 1° 2° | Data Analysis for Biomedical Sciences | D |
Gloria Menegaz
(Coordinator)
|
| 1° 2° | Introduction to Robotics for students of scientific courses. | D |
Paolo Fiorini
(Coordinator)
|
| 1° 2° | Matlab-Simulink programming | D |
Bogdan Mihai Maris
(Coordinator)
|
| years | Modules | TAF | Teacher |
|---|---|---|---|
| 1° 2° | Introduction to Robotics for students of scientific courses. | D |
Paolo Fiorini
(Coordinator)
|
| 1° 2° | Introduction to 3D printing | D |
Franco Fummi
(Coordinator)
|
| 1° 2° | HW components design on FPGA | D |
Franco Fummi
(Coordinator)
|
| 1° 2° | Rapid prototyping on Arduino | D |
Franco Fummi
(Coordinator)
|
| 1° 2° | Protection of intangible assets (SW and invention)between industrial law and copyright | D |
Roberto Giacobazzi
(Coordinator)
|
| years | Modules | TAF | Teacher |
|---|---|---|---|
| 1° 2° | Python programming language | D |
Giulio Mazzi
(Coordinator)
|
Deep Learning (2021/2022)
Teaching code
4S009018
Credits
6
Language
English
Scientific Disciplinary Sector (SSD)
INF/01 - INFORMATICS
The teaching is organized as follows:
Teoria
Laboratorio
Learning outcomes
The course provides the theoretical foundations and describes advanced methodologies related to the area of deep learning. Deep learning solves machine learning and pattern recognition problems through the neural network paradigm and the numerical optimization. The course is also highly implementative, offering specific programming concepts for professional Python-based systems. Deep learning aims to build mainly nonlinear regression and classification systems based on neural networks. A neural network can be seen as a simple computational structure (multinomial logistic functions + non-linearities, intertwined together) which is enhanced by structuring itself at various levels (layers) of various types (fully connected, convolutional, recurring, and many others). Each of these structures underlies a very precise theory (for example the dropout of neural networks refers to the Bayesian approximation) which will be formally detailed by the teacher. In this way, the student will not only be a user of the discipline, but will manage it by acquiring formal critical skills. Particular attention will also be paid to the aspect of explainability, that is, all those techniques capable of communicating critical cases in which a particular neural network is unable to solve problems. The course will provide case studies on which to apply the studied techniques, to make them immediately usable in a professional context.
Program
The course presents a series of state-of-the-art topics in the field of recognition. Deep learning will be analyzed starting from its methodological basis. Each topic will be explained through updated articles together with the lesson slides. The following books are suggested as a reference:
- Christopher M. Bishop. 2006. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag New York, Inc., Secaucus, NJ, USA.
- Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep learning. MIT Press, 2016.
Topics:
- Linear Regression, ridge, LASSO, elastic net
- Multinomial Logistic Classifier,
- Neural Networks,
- Backpropagation,
- Convolutional Neural Network,
- Recurrent Neural Networks
- Long Short-Term Memory machine
- Transformer Network
Examination Methods
The exam involves the discussion of a code project, which proposes a solution to an industrial classification problem. The final score will depend on the classification figure of merits achieved by the classifier and the theoretical motivations that prompted the student to choose a particular algorithm.
