|
Docente
|
UNCINI AURELIO
(programma)
1. Generaltà su apprendimento automatico a ispirazione computazionale e biologica
2. Preliminari matematici e statistici
3. Introduzione ai sistemi adattativi e agli algoritmi di apprendimento con approccio classico e bayesiano
4. Il cervello umano, neuroni artificiali, apprendimento automatico a ispirazione biologica
5. Reti Neurali "shallows" e "deep neural networks" (DNN) (*)
6. Metodi kernel e reti neurali regolarizzate
7. Reti Neurali Ricorrenti (RNN) (*)
8. DNN con "gate" e con memoria a breve e a lungo termine (LSTM) (*)
9. Reti Neurali Convoluzionali (CNN) (*)
10. Reti Neurali Generative e Autoencoder (*)
11. Reti generative avversarie (*)
12. Nuove tendenze della ricerca nel Deep Learning
(*) Sono presentati: i modelli teorici e le architetture, le proprietà matematiche e statistiche, le implementazioni (in Python, Tensorflow, ...), le varianti più significative e i vari contesti applicativi.
 Textbooks
------------
A. Uncini, Introduction to Neural Networks and Deep Learning, Lecture notes + slides - ed. 2020.
A. Uncini, Mathematical Elements for Machine Learning, Lecture notes + slides - ed. 2020.
Other optional recommended text and papers
--------------------------------------------------------
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT book Ed. 2018.
Aurélien Géron, Hands-on Machine Learning with Scikit-Learn, Keras & TensorFlow, 2nd Edition, Published by O’Reilly Media, 2019
Li Deng and Dong Yu, Deep Learning Methods and Applications, Foundations and Trends in Signal Processing 7:3-4, 2014
Further reading books
----------------------------
R.O. Duda e P.E. Hart, “Pattern Classification and Scene Analysis”, J. Wiley & Sons, 1973 (MAT 68-1973-03IN, ING2 EL.0069).
A. Uncini, Fundamentals of Adaptive Signal Processing - Springer, February 2015.
|
