Docente
|
SCARDAPANE SIMONE
(programma)
1. Introduzione e prerequisiti:
a. Apprendimento supervisionato e non supervisionato.
b. Algoritmi di ottimizzazione stocastica.
c. Lab session: Python e NumPy, Jupyter.
2. Deep neural networks
a. Architettura di una rete neurale.
b. Backpropagation ed allenamento della rete neurale.
c. Lab session: introduzione a TensorFlow.
3. Deep learning per la computer vision
a. Reti neurali convolutive.
b. Scelta della funzione di attivazione.
c. Tecniche di regolarizzazione avanzate: dropout e batch normalization.
d. Lab session: reti neurali convolutive in TensorFlow.
4. Deep learning per l’analisi del testo
a. Word embedding.
b. Reti neurali per sequenze (es., reti neurali ricorrenti, LSTM).
c. “Sequence to sequence”, traduzione automatica (concetti base).
d. Lab session: reti neurali ricorrenti in TensorFlow.
5. Deep reinforcement learning (opzionale)
a. Introduzione al reinforcement learning.
b. Policy learning con reti neurali (es. deep Q-learning).
c. Metodi actor-critic.
d. Lab session: OpenAI gym.
1. I. Goodfellow, Y. Bengio and A. Courville, 2017. Deep Learning. MIT Press.
2. Dive into Deep Learning (https://d2l.ai/).
|