Italiano: Il corso "ELECTIVE IN ARTIFICIAL INTELLIGENCE" è strutturato in quattro moduli principali: Introduzione e Presentazione del Corso: In questo modulo, verranno presentati gli obiettivi del corso, le aspettative e le risorse disponibili. Gli studenti riceveranno una panoramica delle principali tematiche che saranno trattate durante il corso, con un'introduzione ai concetti fondamentali di intelligenza artificiale, Machine Learning e Deep Learning. Preprocessing e Trasformazione del Dominio per il Machine Learning Avanzato: Questo modulo esplorerà le tecniche di preprocessing dei dati essenziali per la costruzione di modelli di apprendimento automatico efficaci. Verranno trattati argomenti come la normalizzazione, la standardizzazione, la gestione dei dati mancanti e le tecniche di trasformazione del dominio. Gli studenti impareranno a preparare i dati in modo da migliorare le prestazioni dei modelli. Machine Learning Avanzato e Deep Learning: In questo modulo, verranno approfonditi concetti avanzati di Machine Learning, incluse tecniche di ottimizzazione e regolarizzazione. Inoltre, si esploreranno in dettaglio le architetture di Deep Learning, come le reti neurali convoluzionali, ricorrenti e le reti neurali profonde, con applicazioni pratiche in diversi settori. Deep Learning Geometrico: L'ultimo modulo sarà dedicato al Deep Learning Geometrico, un campo emergente che unisce la geometria e l'apprendimento automatico. Gli studenti esploreranno come utilizzare grafi e altre strutture geometriche per costruire modelli di apprendimento in grado di catturare informazioni strutturali complesse. Verranno discussi casi d'uso avanzati e applicazioni in contesti reali.

"Deep Learning" di Ian Goodfellow, Yoshua Bengio, e Aaron Courville - Questo testo fornisce una base solida sui concetti di Deep Learning, coprendo sia gli aspetti teorici che pratici, ed è considerato un riferimento fondamentale nel campo. "Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges" di Michael M. Bronstein, Joan Bruna, Yann LeCun, Arthur Szlam, e Pierre Vandergheynst - Questo libro esplora l'intersezione tra la geometria e il Deep Learning, fornendo una panoramica approfondita delle tecniche di Deep Learning Geometrico. "Pattern Recognition and Machine Learning" di Christopher M. Bishop - Un testo essenziale per comprendere i fondamenti del Machine Learning avanzato e le tecniche di riconoscimento di pattern, utilizzato come riferimento per molte delle metodologie trattate nel corso. Materiale didattico fornito dal docente - Dispense, articoli scientifici e risorse aggiuntive saranno resi disponibili agli studenti per integrare lo studio e approfondire argomenti specifici trattati durante il corso.

L'insegnamento è suddiviso in tre o quattro moduli che illustrano lo stato dell'arte nella ricerca in Intelligenza Artificiale e Robotica Maggiori informazioni sono fornite nel sito del corso https://sites.google.com/a/dis.uniroma1.it/elective-ai/

Materiale didattico fornito nel sito del corso https://sites.google.com/a/dis.uniroma1.it/elective-ai/