Codice insegnamento

4S009018

Crediti

6

Coordinatore

Marco Cristani

Lingua di erogazione

Inglese

Settore Scientifico Disciplinare (SSD)

INF/01 - INFORMATICA

Moodle Seminari 0

L'insegnamento è organizzato come segue:

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.