• Edizioni di altri A.A.:
  • 2019/2020
  • 2020/2021
  • 2021/2022

  • Lingua Insegnamento:
    ITALIANO 
  • Testi di riferimento:
    Nielsen, M.: Neural Networks and Deep Learning http://neuralnetworksanddeeplearning.com
    Goodfellow, I.; Bengio, Y.; Courville, A.: Deep learning, MIT Press (2016) 
  • Obiettivi formativi:
    L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento:

    Conoscenza e capacità di comprensione

    Il corso si propone di fornire le conoscenze di base sulle reti neurali profonde, ed inoltre di introdurre gli studenti alle reti convoluzionali (particolarmente utilizzate per il riconoscimento di immagini) e alle reti ricorrenti (particolarmente utilizzate per il riconoscimento del linguaggio). A questo scopo il corso fornirà anche le necessarie conoscenze di calcolo delle probabilità.

    Capacità di applicare conoscenza e comprensione

    Alla fine del corso gli studenti dovranno essere in grado di portare avanti, in gruppo, un progetto applicativo che verrà assegnato dal docente; a conclusione del progetto, il gruppo dovrà stendere una relazione in cui verranno discusse le metodologie scelte e i risultati ottenuti.
    La capacità di applicare conoscenza e comprensione verrà inoltre verificata anche attraverso un esame orale individuale, in cui verrà discussa la relazione del progetto.

    Ci si attende che la capacità di utilizzare le reti neurali venga utilizzata in contesti professionali e per scopi diversi, ma eventualmente anche nella pubblica amministrazione o nell'attività di ricerca. 
  • Prerequisiti:
    Lo studente deve possedere le conoscenze di base del calcolo differenziale e dell’algebra lineare. 
  • Metodi didattici:
    Lezioni orali. 
  • Modalità di verifica dell'apprendimento:
    Conoscenza e capacità di comprensione

    La conoscenza e capacità di comprensione verrà verificata sia attraverso un progetto applicativo da realizzare in gruppo, assegnato dal docente, sia attraverso un esame orale individuale. A conclusione del progetto, verrà stesa una relazione in cui verranno discusse le metodologie scelte per sviluppare il progetto e i risultati ottenuti; la relazione dovrà essere consegnata al docente almeno una settimana prima dell'esame orale. La discussione della relazione sarà l'oggetto dell'esame orale.

    Il voto finale, che terrà conto sia del progetto applicativo che del'esame orale, sarà espresso in trentesimi.

    Capacità di applicare conoscenza e comprensione

    La capacità di applicare conoscenza e comprensione verrà verificata attraverso il progetto applicativo di cui sopra. 
  • Altre Informazioni:
    Posta elettronica:
    c.costantini@unich.it
    Pagina web:
    https://www.dec.unich.it/home-caroli-costantini-cristina-146
    Per l'orario di ricevimento consultare la pagina web o inviare un messaggio di posta elettronica. 

Reti neurali profonde, reti convoluzionali, reti ricorrenti

1. Reti neurali profonde: il metodo del gradiente stocastico, l'algoritmo di backpropagation, le funzioni di costo scarto quadratico e cross-entropy, overfitting e regolarizzazione
2. Reti convoluzionali
3. Reti ricorrenti
Verranno inoltre trattati i seguenti argomenti di calcolo delle probabilità: la legge dei grandi numeri per variabili aleatorie correlate negativamente; il valore atteso condizionato; il valore atteso condizionato come minimizzatore della varianza.
Verranno inoltre introdotti i linguaggi di programmazione Python e Keras, che verranno utilizzati per scrivere i codici di implementazione di esempi dei vari tipi di reti.

Avvisi

Nessun avviso in evidenza

Documenti

Nessun documento in evidenza

Scopri cosa vuol dire essere dell'Ud'A

SEDE DI CHIETI
Via dei Vestini,31
Centralino 0871.3551

SEDE DI PESCARA
Viale Pindaro,42
Centralino 085.45371

email: info@unich.it
PEC: ateneo@pec.unich.it
Partita IVA 01335970693

icona Facebook   icona Twitter

icona Youtube   icona Instagram