Materiale integrativo a cura del docente (lucidi del corso, articoli) disponibile sul sito web del corso e sul pagina della classe virtuale del corso (Classroom).
Lo studente non frequentante avrà a disposizione tutte le informazioni e il materiale didattico necessario per svolgere l'esame alle stesse condizioni e con le stesse modalità dello studente frequentante.
Argomenti del programma: INTRODUZIONE ALLE RETI NEURALI. Panoramica del corso, obiettivi, libri di testo e materiale, esami. Preliminari alle reti neurali. Algebra lineare per reti neurali. Regressione lineare e classificazione. Reti neurali completamente connesse. Differenziazione automatica dei programmi (avanti e indietro, prodotti vettoriali Jacobiani, checkpoint). (Rif: [1: Cap. 1, 2, 3, 4, 5, 11, 18]) RETI NEURALI CONVOLUZIONALI.
Neural Networks For Data Science Canale unico
Ingegneria dell'informazione, informatica e statistica · esame facoltativo · 6 CFU · apri nel catalogo
Il docente non ha ancora pubblicato i testi per questo canale.
Cosa indica di studiare il docente
Slide e materiali aggiuntivi rilasciati sul sito.
Argomenti del programma: 1. Prerequisiti (algebra lineare, ottimizzazione). 2. Apprendimento supervisionato con regressione lineare e regressione logistica (+ laboratorio in TensorFlow). 3. Reti fully-connected per dati vettoriali e differenziazione automatica (+ laboratorio in TensorFlow). 4. Reti convolutive per immagini e sequenze (+ laboratorio in TensorFlow). 5. Reti per grafi (+ laboratorio in TensorFlow). 6.
Neural Networks Canale unico
Ingegneria dell'informazione, informatica e statistica · esame facoltativo · 6 CFU · apri nel catalogo
Il docente non ha ancora pubblicato i testi per questo canale.
Fondamenti di Machine Learning Canale unico
Ingegneria dell'informazione, informatica e statistica · 3º anno · 2º semestre · 6 CFU · apri nel catalogo
Il docente non ha ancora pubblicato i testi per questo canale.
Cosa indica di studiare il docente
Ethem Alpaydın, Introduction to Machine Learning, fourth edition. Slides e materiale rilasciato sul sito.
Argomenti del programma: 1. Prerequisiti (algebra lineare, probabilità). 2. Prerequisiti pratici (Python, NumPy, Pandas). 3. Differenza fra apprendimento supervisionato, non-supervisionato. 4. Modelli di classificazione e regressione lineare. 5. Modelli ad albero (decision tree). 6. Modelli instance-based (es., k-NN). 7. Cenni di clustering e dimensionality reduction. 8. Cenni di reti neurali.
Domande frequenti
Quali libri consiglia il prof. Simone Scardapane per Machine Learning For Industrial Engineering?
Il docente non ha ancora pubblicato i testi.
Quali libri consiglia il prof. Simone Scardapane per Neural Networks?
Il docente non ha ancora pubblicato i testi.
Quali libri consiglia il prof. Simone Scardapane per Neural Networks And Machine Learning?
Il docente non ha ancora pubblicato i testi.
Quali libri consiglia il prof. Simone Scardapane per Neural Networks?
Alexander – Dive Into Deep Learning; Alice’s Adventures in a Differentiable Wonderland
Quali libri consiglia il prof. Simone Scardapane per Neural Networks For Data Science?
Il docente non ha ancora pubblicato i testi.
Quali libri consiglia il prof. Simone Scardapane per Neural Networks?
Il docente non ha ancora pubblicato i testi.
Quali libri consiglia il prof. Simone Scardapane per Fondamenti di Machine Learning?