Deep learning con applicazioni
A.A. 2025/2026
Learning objectives
L'insegnamento affronta il tema dell'apprendimento profondo (Deep Learning) da un punto di vista teorico e pratico, introduce i diversi
elementi di base dell'apprendimento (modelli non lineari, tecniche di minimizzazione, convalida incrociata e ottimizzazione degli
iperparametri) e si sofferma sui principali modelli di apprendimento supervisionato, non supervisionato e per rinforzo.
elementi di base dell'apprendimento (modelli non lineari, tecniche di minimizzazione, convalida incrociata e ottimizzazione degli
iperparametri) e si sofferma sui principali modelli di apprendimento supervisionato, non supervisionato e per rinforzo.
Expected learning outcomes
Al termine dell'insegnamento lo studente sarà in grado di:
- illustrare modelli di apprendimento profondo nel contesto di apprendimento
supervisionato, non supervisionato e per rinforzo.
- identificare modelli di apprendimento profondo adeguati alla risoluzione di
problemi in ambito di fisica e oltre.
- utilizzare software e librerie per lo sviluppo di modelli di apprendimento
profondo.
- illustrare modelli di apprendimento profondo nel contesto di apprendimento
supervisionato, non supervisionato e per rinforzo.
- identificare modelli di apprendimento profondo adeguati alla risoluzione di
problemi in ambito di fisica e oltre.
- utilizzare software e librerie per lo sviluppo di modelli di apprendimento
profondo.
Periodo: Secondo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Course syllabus and organization
Edizione unica
Responsabile
Periodo
Secondo semestre
Programma
- Definizione di Deep Learning, l'importanza attuale, sfide e limiti.
- Modelli non-lineari, metriche di performance e tecniche di allenamento.
- Tecniche di hyper-optimization.
- Modelli di regressione e classificazione con deep learning.
- Modelli di reti neurali ricorrenti e ricorsive
- Modelli generativi con deep learning.
- Modelli di reinforcement learning con deep learning.
- Introduzione alle tecniche di image recognition e object detection.
- Accenni su Quantum Machine Learning models
- Modelli non-lineari, metriche di performance e tecniche di allenamento.
- Tecniche di hyper-optimization.
- Modelli di regressione e classificazione con deep learning.
- Modelli di reti neurali ricorrenti e ricorsive
- Modelli generativi con deep learning.
- Modelli di reinforcement learning con deep learning.
- Introduzione alle tecniche di image recognition e object detection.
- Accenni su Quantum Machine Learning models
Prerequisiti
Conoscenze di base in statistica, analisi e algebra lineare.
Conoscenza di almeno un linguaggio di programmazione.
Conoscenza di almeno un linguaggio di programmazione.
Metodi didattici
Lezioni frontali e esercizi in laboratorio di calcolo.
Materiale di riferimento
Testi:
- Deep learning, I. Goodfellow, Y. Bengio, A. Courville
- The elements of statistical learning, T. Hastie, R. Tibshirani, J. Friedman
- An introduction to statistical learning, G. James, D. Witten, T. Hastie, R. Tibshirani
Websites:
- Ariel: https://myariel.unimi.it/
- Deep learning, I. Goodfellow, Y. Bengio, A. Courville
- The elements of statistical learning, T. Hastie, R. Tibshirani, J. Friedman
- An introduction to statistical learning, G. James, D. Witten, T. Hastie, R. Tibshirani
Websites:
- Ariel: https://myariel.unimi.it/
Modalità di verifica dell’apprendimento e criteri di valutazione
Sviluppo di un progetto. L'argomento del progetto deve essere discusso in precedenza con il docente. Il progetto dovrebbe dimostrare la comprensione degli argomenti delle lezioni e la capacità di proporre e motivare soluzioni innovative a specifici problemi di ricerca.
FIS/02 - FISICA TEORICA, MODELLI E METODI MATEMATICI - CFU: 6
Lezioni: 42 ore
Docente:
Carrazza Stefano
Professor(s)
Ricevimento:
Lunedi a venerdi a partire dalle 12:30
Via Celoria 16, ufficio DC/1/4