INGLESE

1)Introduzione al Deep Learning
2)Modelli di Deep Learning: principi e componenti fondamentali
3)Tipologie di Problemi risolubili con Deep Learning:
- Predizione
-Classificazione
- Generazione
3)Tipologie e Modelli di Reti Neurali Deep (Deep NN):
- Feed Forward (FFN)
- Convolutional (CNN)
- Recurrent (RNN)

4) Modelli di Apprendimento Avversariale: Adversarial Machine Learning
- Generative Adversarial Networks (GAN)

5) Modelli Generativi:
- Transformers
- Encoders
- GPT

6) Framework di implementazione basati su linguaggio Python:
- Tensorflow Keras
- Pytorch

7)Performance Evaluation
- Metriche di Accuratezza
- Precision e Recall
- Data Likelihood e Data
Faithfulness

Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, 2016, MIT Press

Concetti di informatica e fondamenti di Python, Cay S. Horstmann, Apogeo Edizioni, 2023

-Acquisire le conoscenze relative ai principali modelli di Deep Learning

-Acquisire le conoscenze per selezionare i modelli più adatti di Deep Learning in base al problema e al dominio;

-Acquisire le competenze tecniche di base per implementare un modello di deep learning ed effettuare un ciclo completo di training-validation e testing, mediante tools e framework appropriati (Tensorflow Keras, e.g.)

Conoscenze di base in Machine Learning
Conoscenze di base in programmazione in linguaggio Python

Lezioni frontali di teoria;
Attività di Laboratorio ed Esercitazioni di progettazione e programmazione in presenza;
Seminari di allineamento su avanzamenti di ricerca e tecnologie

Partecipazione attiva durante le lezioni e discussioni interattive;
Esecuzione di un progetto basato sulla realizzazione di un modello di Deep Learning per uno tra i domini e problema discussi durante il corso.

1)Introduzione al Deep Learning
2)Modelli di Deep Learning: principi e componenti fondamentali
3)Tipologie di Problemi risolubili con Deep Learning:
- Predizione
-Classificazione
- Generazione
3)Tipologie e Modelli di Reti Neurali Deep (Deep NN):
- Feed Forward (FFN)
- Convolutional (CNN)
- Recurrent (RNN)

4) Modelli di Apprendimento Avversariale: Adversarial Machine Learning
- Generative Adversarial Networks (GAN)

5) Modelli Generativi:
- Transformers
- Encoders
- GPT

6) Framework di implementazione basati su linguaggio Python:
- Tensorflow Keras
- Pytorch

7)Performance Evaluation
- Metriche di Accuratezza
- Precision e Recall
- Data Likelihood e Data
Faithfulness

English

1)Introduction to Deep Learning
2)Models of Deep Learning: principles and fundamental components
3)Types of Problems Solvable with Deep Learning:
- Prediction
-Classification
- Generation.
3)Types and Models of Deep Neural Networks (Deep NN):
- Feed Forward (FFN)
- Convolutional (CNN)
- Recurrent (RNN)

4)Models of Adversarial Learning: Adversarial Machine Learning
- Generative Adversarial Networks (GAN)

5) Generative Models:
- Transformers
- Encoders
- GPT

6) Python language-based implementation frameworks:
- Tensorflow Keras
- Pytorch

7)Performance Evaluation
- Accuracy Metrics.
- Precision and Recall
- Data Likelihood and Data
Faithfulness

Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, 2016, MIT Press

Python: Introduction to Programming, Cay S. Horstmann, Apogeo Edizioni, 2023 (EN./IT Version)

-Gain the knowledge related to the main models of Deep Learning

-Gain the knowledge to select the most suitable Deep Learning models based on the problem and domain;

-Acquire the basic technical skills to implement a deep learning model and perform a full training-validation and testing cycle, using appropriate tools and frameworks (Tensorflow Keras, e.g.)

Basic knowledge in Machine Learning
Basic knowledge in Python language programming

Frontal lectures in theory;
Laboratory activities and in-person design and programming exercises;
Alignment seminars on research advancements and technologies.

Active participation during lectures and interactive discussions;
Execution of a project based on the implementation of a Deep Learning model for one of the domains and problem discussed during the course.

1)Introduction to Deep Learning
2)Models of Deep Learning: principles and fundamental components
3)Types of Problems Solvable with Deep Learning:
- Prediction
-Classification
- Generation.
3)Types and Models of Deep Neural Networks (Deep NN):
- Feed Forward (FFN)
- Convolutional (CNN)
- Recurrent (RNN)

4)Models of Adversarial Learning: Adversarial Machine Learning
- Generative Adversarial Networks (GAN)

5) Generative Models:
- Transformers
- Encoders
- GPT

6) Python language-based implementation frameworks:
- Tensorflow Keras
- Pytorch

7)Performance Evaluation
- Accuracy Metrics.
- Precision and Recall
- Data Likelihood and Data Faithfulness