Ingegneria informatica e dell'intelligenza artificiale
Cod 198298
- Laurea magistrale
- 2 anni
- 120 CFU
- LM-32
ING-INF/05
Deep Learning
Codice: 20810262
Scheda insegnamento
- Anno Accademico di erogazione
- 2026/2027
- Corso di studi
- Ingegneria informatica e dell'intelligenza artificiale
- Periodo di erogazione
- Primo semestre
- CFU
- 6 CFU
- Lingua
- Italiano
- SSD
- ING-INF/05
Scopri il programma didattico
Programma, testi adottati e modalità d’esame sono quelli pubblicati dai docenti per l’anno accademico 2026/2027. L’insegnamento è diviso in canali: ogni canale ha il suo programma.
- Docente
- Fabio Gasparetti
- Curriculum
- Sistemi Informatici Complessi
- Anno di corso
- 2
- Periodo
- Primo semestre
- Ore
- 54
- CUIN
- 260002634
Programma
Introduzione al Deep Learning; Addestramento di architetture Deep: tecniche di hyperparameter tuning, batch normalization, faster optimizers, regularization per reti deep; Convolutional Neural Networks (CNN/ConvNets); Analisi di sequenze: Recurrent Neural Networks (GRU, LSTM, Bidirectional); Architetture Encoder-Decoder, Autoencoders, Variational Autoencoders; Attention layers ; Generative Adversarial Networks (GAN); Embeddings; Principali architetture convolutive (AlexNet, VGG, NiN, GoogLeNet/Inception, ResNet, DenseNet); Transformers, Diffusion Models, LLMs. Applicazioni alla Computer Vision e all'Analisi del linguaggio naturale.
Prerequisiti
Conoscenze di base su percettrone e backpropagation, e le principali tecniche di addestramenti dei modelli di machine learning. Conoscenza base del linguaggio Python.
Testi adottati
Simon J.D. Prince. "Understanding Deep Learning". MIT Press 2025 A. Geron,
A. Geron, “Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems”, O'Reilly Media, Inc, USA, 2019.
Modalità di erogazione
Le modalità di svolgimento consistono in: Lezioni frontali ed esercitazioni.
Modalità di frequenza
Non obbligatoria ma fortemente consigliata.
Modalità di valutazione
Le valutazioni consistono in prove in itinere che, se sostenute con successo, permettono di sostenere una prova finale limitata rispetto alla prova standard. Tutte le prove sono in forma scritta, e consistono sia in risposte aperte e chiuse.
Prove previste
- Prova scritta
- Prove intermedie
- Docente
- Fabio Gasparetti
- Curriculum
- Ingegneria dei Dati
- Anno di corso
- 2
- Periodo
- Primo semestre
- Ore
- 54
- CUIN
- 260003529
Programma
Introduzione al Deep Learning; Addestramento di architetture Deep: tecniche di hyperparameter tuning, batch normalization, faster optimizers, regularization per reti deep; Convolutional Neural Networks (CNN/ConvNets); Analisi di sequenze: Recurrent Neural Networks (GRU, LSTM, Bidirectional); Architetture Encoder-Decoder, Autoencoders, Variational Autoencoders; Attention layers ; Generative Adversarial Networks (GAN); Embeddings; Principali architetture convolutive (AlexNet, VGG, NiN, GoogLeNet/Inception, ResNet, DenseNet); Transformers, Diffusion Models, LLMs. Applicazioni alla Computer Vision e all'Analisi del linguaggio naturale.
Prerequisiti
Conoscenze di base su percettrone e backpropagation, e le principali tecniche di addestramenti dei modelli di machine learning. Conoscenza base del linguaggio Python.
Testi adottati
Simon J.D. Prince. "Understanding Deep Learning". MIT Press 2025 A. Geron,
A. Geron, “Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems”, O'Reilly Media, Inc, USA, 2019.
Modalità di erogazione
Le modalità di svolgimento consistono in: Lezioni frontali ed esercitazioni.
Modalità di frequenza
Non obbligatoria ma fortemente consigliata.
Modalità di valutazione
Le valutazioni consistono in prove in itinere che, se sostenute con successo, permettono di sostenere una prova finale limitata rispetto alla prova standard. Tutte le prove sono in forma scritta, e consistono sia in risposte aperte e chiuse.
Prove previste
- Prova scritta
- Prove intermedie
- Docente
- Fabio Gasparetti
- Curriculum
- Intelligenza artificiale e Machine Learning
- Anno di corso
- 2
- Periodo
- Primo semestre
- Ore
- 54
- CUIN
- 260002619
Programma
Introduzione al Deep Learning; Addestramento di architetture Deep: tecniche di hyperparameter tuning, batch normalization, faster optimizers, regularization per reti deep; Convolutional Neural Networks (CNN/ConvNets); Analisi di sequenze: Recurrent Neural Networks (GRU, LSTM, Bidirectional); Architetture Encoder-Decoder, Autoencoders, Variational Autoencoders; Attention layers ; Generative Adversarial Networks (GAN); Embeddings; Principali architetture convolutive (AlexNet, VGG, NiN, GoogLeNet/Inception, ResNet, DenseNet); Transformers, Diffusion Models, LLMs. Applicazioni alla Computer Vision e all'Analisi del linguaggio naturale.
Prerequisiti
Conoscenze di base su percettrone e backpropagation, e le principali tecniche di addestramenti dei modelli di machine learning. Conoscenza base del linguaggio Python.
Testi adottati
Simon J.D. Prince. "Understanding Deep Learning". MIT Press 2025 A. Geron,
A. Geron, “Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems”, O'Reilly Media, Inc, USA, 2019.
Modalità di erogazione
Le modalità di svolgimento consistono in: Lezioni frontali ed esercitazioni.
Modalità di frequenza
Non obbligatoria ma fortemente consigliata.
Modalità di valutazione
Le valutazioni consistono in prove in itinere che, se sostenute con successo, permettono di sostenere una prova finale limitata rispetto alla prova standard. Tutte le prove sono in forma scritta, e consistono sia in risposte aperte e chiuse.
Prove previste
- Prova scritta
- Prove intermedie
- Docente
- Fabio Gasparetti
- Curriculum
- Algoritmi, Big Data e Machine Learning
- Anno di corso
- 2
- Periodo
- Primo semestre
- Ore
- 54
- CUIN
- 260002658
Programma
Introduzione al Deep Learning; Addestramento di architetture Deep: tecniche di hyperparameter tuning, batch normalization, faster optimizers, regularization per reti deep; Convolutional Neural Networks (CNN/ConvNets); Analisi di sequenze: Recurrent Neural Networks (GRU, LSTM, Bidirectional); Architetture Encoder-Decoder, Autoencoders, Variational Autoencoders; Attention layers ; Generative Adversarial Networks (GAN); Embeddings; Principali architetture convolutive (AlexNet, VGG, NiN, GoogLeNet/Inception, ResNet, DenseNet); Transformers, Diffusion Models, LLMs. Applicazioni alla Computer Vision e all'Analisi del linguaggio naturale.
Prerequisiti
Conoscenze di base su percettrone e backpropagation, e le principali tecniche di addestramenti dei modelli di machine learning. Conoscenza base del linguaggio Python.
Testi adottati
Simon J.D. Prince. "Understanding Deep Learning". MIT Press 2025 A. Geron,
A. Geron, “Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems”, O'Reilly Media, Inc, USA, 2019.
Modalità di erogazione
Le modalità di svolgimento consistono in: Lezioni frontali ed esercitazioni.
Modalità di frequenza
Non obbligatoria ma fortemente consigliata.
Modalità di valutazione
Le valutazioni consistono in prove in itinere che, se sostenute con successo, permettono di sostenere una prova finale limitata rispetto alla prova standard. Tutte le prove sono in forma scritta, e consistono sia in risposte aperte e chiuse.
Prove previste
- Prova scritta
- Prove intermedie
- Docente
- Fabio Gasparetti
- Curriculum
- Cybersecurity
- Anno di corso
- 2
- Periodo
- Primo semestre
- Ore
- 54
- CUIN
- 260003216
Programma
Introduzione al Deep Learning; Addestramento di architetture Deep: tecniche di hyperparameter tuning, batch normalization, faster optimizers, regularization per reti deep; Convolutional Neural Networks (CNN/ConvNets); Analisi di sequenze: Recurrent Neural Networks (GRU, LSTM, Bidirectional); Architetture Encoder-Decoder, Autoencoders, Variational Autoencoders; Attention layers ; Generative Adversarial Networks (GAN); Embeddings; Principali architetture convolutive (AlexNet, VGG, NiN, GoogLeNet/Inception, ResNet, DenseNet); Transformers, Diffusion Models, LLMs. Applicazioni alla Computer Vision e all'Analisi del linguaggio naturale.
Prerequisiti
Conoscenze di base su percettrone e backpropagation, e le principali tecniche di addestramenti dei modelli di machine learning. Conoscenza base del linguaggio Python.
Testi adottati
Simon J.D. Prince. "Understanding Deep Learning". MIT Press 2025 A. Geron,
A. Geron, “Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems”, O'Reilly Media, Inc, USA, 2019.
Modalità di erogazione
Le modalità di svolgimento consistono in: Lezioni frontali ed esercitazioni.
Modalità di frequenza
Non obbligatoria ma fortemente consigliata.
Modalità di valutazione
Le valutazioni consistono in prove in itinere che, se sostenute con successo, permettono di sostenere una prova finale limitata rispetto alla prova standard. Tutte le prove sono in forma scritta, e consistono sia in risposte aperte e chiuse.
Prove previste
- Prova scritta
- Prove intermedie
Esplora gli obiettivi dell’insegnamento
Ambito disciplinare: Ingegneria informatica
Gli obiettivi sono fornire competenze avanzate e specifiche nell'ambito delle più recenti architetture di reti neurali Deep. Particolare attenzione sarà data a modelli multimodal, e alle reti capaci di analizzare strutture di dati complesse, quali grafi e multivariate time series; e al deep reinforcement learning.
Al termine del corso lo studente sarà in grado di: progettare e ottimizzare in maniera adeguata reti neurali Deep, saper distinguere e valutare diverse soluzioni, e saper selezionare e personalizzare le architetture di reti più efficaci da utilizzare in ambiti applicativi reali, supervised, unsupervised o seguendo un approccio basato su un apprendimento per rinforzo. Il corso è costituito da una parte teorica e metodologica sui concetti avanzati e innovativi, e da una attività laboratoriale in cui tali concetti sono applicati nella risoluzione di problemi mediante i più recenti framework di sviluppo
Risultati di apprendimento attesi — Fabio Gasparetti
Al termine del corso lo studente sarà in grado di:
- comprendere i principi fondamentali del Deep Learning e delle principali architetture neurali profonde;
- progettare, addestrare e valutare modelli deep per problemi di classificazione, generazione e analisi di sequenze;
- applicare tecniche avanzate di training e ottimizzazione per reti neurali profonde;
- utilizzare CNN, RNN, Encoder–Decoder, Attention ed Embeddings per applicazioni di Computer Vision e Natural Language Processing;
- comprendere e utilizzare Autoencoders, Variational Autoencoders, GAN, Transformers, Diffusion models, LLMs;
- sviluppare soluzioni sperimentali mediante framework moderni per il Deep Learning (es. Keras/TensorFlow).
Risultati di apprendimento attesi — Fabio Gasparetti
Al termine del corso lo studente sarà in grado di:
- comprendere i principi fondamentali del Deep Learning e delle principali architetture neurali profonde;
- progettare, addestrare e valutare modelli deep per problemi di classificazione, generazione e analisi di sequenze;
- applicare tecniche avanzate di training e ottimizzazione per reti neurali profonde;
- utilizzare CNN, RNN, Encoder–Decoder, Attention ed Embeddings per applicazioni di Computer Vision e Natural Language Processing;
- comprendere e utilizzare Autoencoders, Variational Autoencoders, GAN, Transformers, Diffusion models, LLMs;
- sviluppare soluzioni sperimentali mediante framework moderni per il Deep Learning (es. Keras/TensorFlow).
Risultati di apprendimento attesi — Fabio Gasparetti
Al termine del corso lo studente sarà in grado di:
- comprendere i principi fondamentali del Deep Learning e delle principali architetture neurali profonde;
- progettare, addestrare e valutare modelli deep per problemi di classificazione, generazione e analisi di sequenze;
- applicare tecniche avanzate di training e ottimizzazione per reti neurali profonde;
- utilizzare CNN, RNN, Encoder–Decoder, Attention ed Embeddings per applicazioni di Computer Vision e Natural Language Processing;
- comprendere e utilizzare Autoencoders, Variational Autoencoders, GAN, Transformers, Diffusion models, LLMs;
- sviluppare soluzioni sperimentali mediante framework moderni per il Deep Learning (es. Keras/TensorFlow).
Risultati di apprendimento attesi — Fabio Gasparetti
Al termine del corso lo studente sarà in grado di:
- comprendere i principi fondamentali del Deep Learning e delle principali architetture neurali profonde;
- progettare, addestrare e valutare modelli deep per problemi di classificazione, generazione e analisi di sequenze;
- applicare tecniche avanzate di training e ottimizzazione per reti neurali profonde;
- utilizzare CNN, RNN, Encoder–Decoder, Attention ed Embeddings per applicazioni di Computer Vision e Natural Language Processing;
- comprendere e utilizzare Autoencoders, Variational Autoencoders, GAN, Transformers, Diffusion models, LLMs;
- sviluppare soluzioni sperimentali mediante framework moderni per il Deep Learning (es. Keras/TensorFlow).
Risultati di apprendimento attesi — Fabio Gasparetti
Al termine del corso lo studente sarà in grado di:
- comprendere i principi fondamentali del Deep Learning e delle principali architetture neurali profonde;
- progettare, addestrare e valutare modelli deep per problemi di classificazione, generazione e analisi di sequenze;
- applicare tecniche avanzate di training e ottimizzazione per reti neurali profonde;
- utilizzare CNN, RNN, Encoder–Decoder, Attention ed Embeddings per applicazioni di Computer Vision e Natural Language Processing;
- comprendere e utilizzare Autoencoders, Variational Autoencoders, GAN, Transformers, Diffusion models, LLMs;
- sviluppare soluzioni sperimentali mediante framework moderni per il Deep Learning (es. Keras/TensorFlow).
Informazioni utili
Per questo insegnamento non sono pubblicate informazioni aggiuntive. Materiale didattico e documenti si trovano sulla piattaforma del corso.