Seleziona l'Anno Accademico:     2017/2018 2018/2019 2019/2020 2020/2021 2021/2022 2022/2023
Docente
MIRKO MARRAS (Tit.)
Periodo
Secondo Semestre 
Modalità d'Erogazione
Convenzionale 
Lingua Insegnamento
ITALIANO 



Informazioni aggiuntive

Corso Percorso CFU Durata(h)
[60/79]  INFORMATICA APPLICATA E DATA ANALYTICS [79/00 - Ord. 2021]  PERCORSO COMUNE 9 84

Obiettivi

Il corso ha l'obiettivo di fornire agli studenti competenze avanzate sia teoriche che pratiche nell'ambito del deep learning. Al termine del corso, anche grazie all'attività di laboratorio, lo studente sarà in grado di addestrare e ottimizzare in maniera approfondita sistemi complessi in grado di apprendere in maniera automatica, selezionare e personalizzare la tecnica di deep learning più opportuna da utilizzare in ambiti applicativi reali, ed utilizzare tecniche avanzate in ambito deep learning.

Prerequisiti

Prerequisiti obbligatori (necessari per sostenere l'esame finale come da regolamento):
- Conoscenza di un linguaggio di programmazione (SC/0066 Programmazione)
- Familiarità con gli algoritmi e le strutture di dati (SC/0068 Algoritmi e Strutture Dati)

Prerequisiti preferenziali (attesi ma non obbligatori):
- Conoscenza dell'algebra lineare, del calcolo e della probabilità (SC/0072 Analisi Matematica)
- Conoscenze di base sull'apprendimento automatico (SC/0076 Machine Learning)

Contenuti

- Deep Learning Fundamentals (4 h lectures + 3 h labs)
- Hyperparameter Tuning, Regularization and Optimization (4 h lectures + 3 h labs)
- Deep Computer Vision (8 h lectures + 6 h labs)
- Deep Sequence Modeling (8 h lectures + 6 h labs)
- Deep Generative Modeling (8 h lectures + 6 h labs)
- Deep Reinforcement Learning (8 h lectures + 6 h labs)
- Responsible Deep Learning (8 h lectures + 6 h labs)
- Deep Learning Deployment (4 h lectures + 3 h labs)

Metodi Didattici

Il corso è progettato per 9 CFU (~ 25 ore/CFU x 9 CFU ≈ 225 ore) e gli obiettivi previsti saranno raggiunti da ogni studente attraverso le seguenti attività di apprendimento:
- partecipazione alle lezioni interattive (4 ore/settimana x 12 settimane = 48 ore)
- partecipazione alle esercitazioni di laboratorio (3 ore a settimana x 12 settimane = 36 ore)
- studio individuale autonomo (~ 80-100 ore)
- lavoro di gruppo per progetto collaborativo (~ 40-60 ore).

Per soddisfare le esigenze didattiche legate alla situazione epidemiologica, potrebbero essere rese disponibili video lezioni pre-registrate o lezioni streaming dal vivo e le esercitazioni di laboratorio potrebbero essere svolte in videoconferenza.

Verifica dell'apprendimento

L'esame finale è valutato con un punteggio massimo di 33. In caso di punteggio pari o superiore a 32, viene assegnata la lode. In caso di punteggio pari a 31, viene assegnato 30. In particolare, il voto finale è diviso in due parti:
- 18 punti su 33: una prova finale (o due prove intermedie)
- 15 punti su 33: un progetto finale individuale o collettivo

Testi

Materiale di riferimento disponibile su https://elearning.unica.it/ (corso "Deep Learning"):
- Slides
- Letture di approfondimento
- Esercizi di laboratorio

Libri di riferimento:
- Ian Goodfellow, Yoshua Bengio e Aaron Courville. Apprendimento profondo. MIT press, 2016

Altre Informazioni

Docente. Mirko Marras è Professore Assistente (RTDa) in Informatica presso il Dipartimento di Matematica e Informatica dell'Università degli Studi di Cagliari (Italia) dall'Ottobre 2021. In precedenza, è stato ricercatore post-dottorato presso l'EPFL - École Polytechnique Fédérale de Lausanne (Svizzera). Ha conseguito il Dottorato di Ricerca in Matematica e Informatica nel Febbraio 2020 e la Laurea Magistrale in Informatica (18 mesi, in anticipo) nel Marzo 2016, entrambi presso l'Università degli Studi di Cagliari. È stato ricercatore in visita presso importanti istituzioni straniere, tra cui Eurecat Technology Center of Catalunya (Spagna), Universidad de Las Palmas de Gran Canaria (Spagna) e New York University (USA). È coautore di oltre 50 articoli in atti di conferenze, riviste scientifiche e libri. La sua ricerca si concentra sull'apprendimento automatico responsabile. Maggiori informazioni su https://www.unica.it/unica/page/it/mirko_marras.

Orari di ricevimento. Il docente sarà disponibile su appuntamento da richiedere via e-mail (oggetto "[DL22] Richiesta ricevimento"). Se non diversamente indicato, il ricevimento si terrà in remoto tramite Microsoft Teams.

Licenza. Tutto il materiale del corso sarà rilasciato sotto licenza MIT. Se si desidera utilizzare qualsiasi materiale al di fuori di questo corso, è necessario aggiungere il seguente riferimento a qualsiasi artefatto derivato: "© Mirko Marras, SC/0081 Deep Learning - https://unicadeeplearning.github.io".

Questionario e social

Condividi su:
Impostazioni cookie