Studiare
In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.
Tipologia di Attività formativa D e F
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. CONTAMINATION LAB
Il Contamination Lab Verona (CLab Verona) è un percorso esperienziale con moduli dedicati all'innovazione e alla cultura d'impresa che offre la possibilità di lavorare in team con studenti e studentesse di tutti i corsi di studio per risolvere sfide lanciate da aziende ed enti. Il percorso permette di ricevere 6 CFU in ambito D o F. Scopri le sfide: https://www.univr.it/clabverona
ATTENZIONE: Per essere ammessi a sostenere una qualsiasi attività didattica, incluse quelle a scelta, è necessario essere iscritti all'anno di corso in cui essa viene offerta. Si raccomanda, pertanto, ai laureandi delle sessioni di dicembre e aprile di NON svolgere attività extracurriculari del nuovo anno accademico, cui loro non risultano iscritti, essendo tali sessioni di laurea con validità riferita all'anno accademico precedente. Quindi, per attività svolte in un anno accademico cui non si è iscritti, non si potrà dar luogo a riconoscimento di CFU.
5. 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.
Verificare nel regolamento quali attività possono essere di tipologia D e quali di tipologia F.
Insegnamenti e altre attività che si possono inserire autonomamente a libretto
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Introduction to docker & kubernetes | D |
Franco Fummi
(Coordinatore)
|
| 1° 2° | Introduzione alla meccanica quantistica per il quantum computing | D |
Claudia Daffara
(Coordinatore)
|
| 1° 2° | Introduzione alla programmazione di smart contract per Ethereum | D |
Sara Migliorini
(Coordinatore)
|
| 1° 2° | Introduzione alla robotica per studenti di materie scientifiche | D |
Andrea Calanca
(Coordinatore)
|
| 1° 2° | Progettazione di app web e mobile tramite react e react native | D |
Graziano Pravadelli
(Coordinatore)
|
| 1° 2° | Prototipizzazione con Arduino | D |
Franco Fummi
(Coordinatore)
|
| 1° 2° | Sviluppo firmware con protocollo bluetooth low energy (BLE) e sistema operativo Freertos | D |
Franco Fummi
(Coordinatore)
|
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Introduzione alla robotica per studenti di materie scientifiche | D |
Andrea Calanca
(Coordinatore)
|
| 1° 2° | Linguaggio Programmazione LaTeX | D |
Enrico Gregorio
(Coordinatore)
|
| 1° 2° | Linguaggio programmazione Python | D |
Carlo Combi
(Coordinatore)
|
| 1° 2° | Progettazione di componenti hardware su FPGA | D |
Franco Fummi
(Coordinatore)
|
| 1° 2° | Tutela dei beni immateriali (SW e invenzione) tra diritto industriale e diritto d’autore | D |
Mila Dalla Preda
(Coordinatore)
|
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Cooperative Game Theory in the (Deep) RL Era | D |
Alessandro Farinelli
(Coordinatore)
|
Deep learning (2023/2024)
Codice insegnamento
4S009018
Crediti
6
Lingua di erogazione
Inglese
Offerto anche nei corsi:
- Machine Learning & Deep Learning del corso Laurea magistrale in Artificial Intelligence [LM-18]
- Machine Learning & Deep Learning del corso Laurea magistrale in Artificial Intelligence [LM-18]
Settore Scientifico Disciplinare (SSD)
INF/01 - INFORMATICA
Corsi Singoli
Autorizzato
L'insegnamento è organizzato come segue:
Teoria
Laboratorio
Obiettivi di apprendimento
Il corso fornisce i fondamenti teorici e descrive metodologie avanzate relative all’area dell'apprendimento profondo (deep learning). Il deep learning risolve problemi di apprendimento automatico (machine learning) e classificazione di pattern (pattern recognition) attraverso il paradigma delle reti neurali e l'ottimizzazione numerica. Il corso è altresì fortemente implementativo, offrendo nozioni di programmazione specifiche per sistemi professionali basate su Python. Il deep learning mira a costruire sistemi di regressione e classificazione principalmente non lineari, basati su reti neurali. Una rete neurale può essere vista come una struttura computazionale semplice (funzioni innestate multinomiali logistiche + non linearità) che si arricchisce strutturandosi a più livelli (layer) di varia tipologia (fully connected, convoluzionali, ricorrenti, e molti altri). Ognuna di queste strutture sottende una teoria ben precisa (per esempio il dropout delle reti neurali rimanda all'approssimazione bayesiana) che sarà cura del docente di illustrare. In tal modo, lo studente non sarà solamente fruitore della disciplina, ma la governerà acquisendo capacità critiche formali e di innovazione. Particolare attenzione sarà rivolta anche all'aspetto della comprensibilità (explainability), ovvero tutte quelle tecniche in grado di comunicare i casi critici in cui una particolare rete neurale non sia in grado di risolvere problemi. Il corso metterà a disposizione casi di studio aziendali su cui applicare le tecniche studiate, per renderle immediatamente usufruibili in un contesto professionale.
Prerequisiti e nozioni di base
Corso di Probabilità e Statistica di tipo triennale
Elaborazione delle Immagini
Programma
Il corso affronta una serie di argomenti allo stato dell’arte nel campo del riconoscimento. Il deep learning verrà studiato a partire dai suoi fondamenti teorici. Pertanto, ogni argomento verrà spiegato attraverso articoli e dispense aggiornate allegate alle slide delle lezioni. In ogni caso, è consigliabile avere a disposizione questi testi come base di studio:
- 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.
Argomenti:
- Regressione lineare, ridge, LASSO, elastic net
- Multinomial Logistic Classifier,
- Neural Networks,
- Backpropagation,
- Convolutional Neural Network,
- Recurrent Neural Networks
- Long Short-Term Memory machine
- Transformer Network
- Autoencoders
- LLM
Bibliografia
Modalità didattiche
Le lezioni saranno in presenza
Modalità di verifica dell'apprendimento
L’esame prevede la discussione con il docente di un elaborato scritto, che propone una soluzione ad un problema industriale di classificazione. Il voto dipenderà dalle capacità di classificazione ottenute dal classificatore (con misure di bontà di classificazione diverse da problema a problema), dai margini di confidenza statistici offerti e dalla motivazione teorica che ha spinto lo studente a scegliere una particolare tecnica di programmazione.
Criteri di valutazione
Capacita' di affrontare un problema di riconoscimento con gli strumenti piu' appropriati. Capacita' di motivare le scelte implementative con nozioni teoriche. Capacita' di discutere i risultati con interpretabilita'
Criteri di composizione del voto finale
15/30 qualita' del progetto. 15/30 capacita' di discussione appropriata del progetto stesso
Lingua dell'esame
inglese
