Navigazione di Sezione:
Deep Learning 2026/2027
Programma di Deep Learning:
Apprendimento profondo e intelligenza artificiale. Metodi supervisionati.
Teoria dell'apprendimento statistico: apprendibilità tramite PAC. Apprendimento basato su kernel. Kernel dipendenti da task.
Apprendimento profondo con reti neurali: percettroni, percettroni multistrato, reti neurali profonde. Elaborazione delle immagini con architetture di apprendimento profondo.
Sezione II: Elaborazione neurale del linguaggio.
Modelli neurali per l'elaborazione del linguaggio. Modelli linguistici e reti ricorrenti. Reti neurali basate sull'attenzione. Trasformatori: BERT. Introduzione alle principali piattaforme software per lo sviluppo di software di apprendimento profondo: PyTorch.
Modelli linguistici di grandi dimensioni. Prompting e ottimizzazione delle istruzioni. Modelli neurali per l'inferenza testuale: dall'apprendimento per pochi scatti al prompting.
Sezione III: Applicazioni di apprendimento profondo.
Riconoscimento di oggetti visivi e didascalia automatica delle immagini.
Estrazione di informazioni. Rilevamento di fake news.
Estrazione di opinioni e analisi del sentiment. Analisi della reputazione del marchio e marketing.
Feedback
Testi di studio
- ML/DL - Introduction to Deep Neural Learning, Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, MIT Press, 2016.
Neural Language Processing. Foundation Models for Natural Language Processing, Gerhard Paaß and Sven Giesselbach, Springer Nature, URL of the book.
Probability and Computing. Introduction to Probability for Computing, Mor Harchol-Balter, Cambridge University Press, URL of the book, 2024.
ML. Pattern Recognition and Machine learning, C. Bishop. Springer. 2006.
Web IR - Bing Liu, Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data. 2nd Edition, July 2011, Springer.
Dispense fornite dal docente
English
Italiano