• Edizioni di altri A.A.:
  • 2019/2020
  • 2020/2021
  • 2021/2022
  • 2022/2023

  • Lingua Insegnamento:
    ITALIANO 
  • Testi di riferimento:
    Goodfellow, I.; Bengio, Y.; Courville, A.: Deep learning, MIT Press (2016)

    M. Nielsen: Neural Networks and Deep Learning, available at http://neuralnetworksanddeeplearning.com 
  • 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 sul tipo fondamentale di reti neurali profonde, cioè le reti feedforward. 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 un progetto applicativo che verrà assegnato dal docente; a conclusione del progetto, le metodologie scelte e i risultati ottenuti verranno discusse in un colloquio.
    La capacità di applicare conoscenza e comprensione verrà inoltre verificata anche attraverso un esame scritto individuale, in cui verranno svolti esercizi e risolti problemi.

    Ci si attende che la capacità di utilizzare le reti neurali feedforward 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 e laboratorio di programmazione 
  • Modalità di verifica dell'apprendimento:
    Conoscenza e capacità di comprensione

    La conoscenza e capacità di comprensione raggiunta dallo studente verrà verificata attraverso il progetto finale assegnato dal docente e un colloquio in cui verranno discusse le metodologie scelte e i risultati ottenuti nel corso del progetto.

    Capacità di applicare conoscenza e comprensione

    La capacità di applicare conoscenza e capacità di comprensione verrà verificata attraverso il progetto finale assegnato dal docente e un colloquio in cui verranno discusse le metodologie scelte e i risultati ottenuti nel corso del progetto.

    Il voto finale verrà espresso in trentesimi. 
  • Sostenibilità:
     

Reti neurali profonde di tipo feedforward, convoluzionali ed eventualmente ricorrenti

1. Elementi di calcolo delle probabilità
2. Fondamenti di machine learning
3. Reti neurali profonde feedforward
4. Reti convoluzionali
5. Reti ricorrenti (eventualmente)
6. Applicazioni

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