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.

Piano Didattico

Il piano didattico è l'elenco degli insegnamenti e delle altre attività formative che devono essere sostenute nel corso della propria carriera universitaria.
Selezionare il piano didattico in base all'anno accademico di iscrizione.

1° Anno

InsegnamentiCreditiTAFSSD
9
B
ING-INF/04
Compulsory activities for Embedded & Iot Systems
Compulsory activities for Robotics Systems
6
B/C
INF/01
6
B/C
ING-INF/05
Compulsory activities for Smart Systems & Data Analytics
6
B/C
INF/01 ,ING-INF/06
6
B/C
ING-INF/05

2° Anno  Attivato nell'A.A. 2022/2023

InsegnamentiCreditiTAFSSD
Compulsory activities for Embedded & Iot Systems
Compulsory activities for Robotics Systems
Compulsory activities for Smart Systems & Data Analytics
6
B/C
ING-INF/05
Final exam
24
E
-
InsegnamentiCreditiTAFSSD
9
B
ING-INF/04
Compulsory activities for Embedded & Iot Systems
Compulsory activities for Robotics Systems
6
B/C
INF/01
6
B/C
ING-INF/05
Compulsory activities for Smart Systems & Data Analytics
6
B/C
INF/01 ,ING-INF/06
6
B/C
ING-INF/05
Attivato nell'A.A. 2022/2023
InsegnamentiCreditiTAFSSD
Compulsory activities for Embedded & Iot Systems
Compulsory activities for Robotics Systems
Compulsory activities for Smart Systems & Data Analytics
6
B/C
ING-INF/05
Final exam
24
E
-
Insegnamenti Crediti TAF SSD
Tra gli anni: 1°- 2°
Tra gli anni: 1°- 2°
Further activities
3
F
-
Tra gli anni: 1°- 2°
Training
3
F
-

Legenda | Tipo Attività Formativa (TAF)

TAF (Tipologia Attività Formativa) Tutti gli insegnamenti e le attività sono classificate in diversi tipi di attività formativa, indicati da una lettera.




S Stage e tirocini presso imprese, enti pubblici o privati, ordini professionali

Codice insegnamento

4S009018

Crediti

6

Coordinatore

Marco Cristani

Lingua di erogazione

Inglese en

Settore Scientifico Disciplinare (SSD)

INF/01 - INFORMATICA

L'insegnamento è organizzato come segue:

Teoria

Crediti

5

Periodo

Primo semestre

Laboratorio

Crediti

1

Periodo

Primo semestre

Obiettivi formativi

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.

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

Modalità d'esame

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.

Le/gli studentesse/studenti con disabilità o disturbi specifici di apprendimento (DSA), che intendano richiedere l'adattamento della prova d'esame, devono seguire le indicazioni riportate QUI