Stampa la pagina Condividi su Google Condividi su Twitter Condividi su Facebook Scheda Insegnamento

Machine and Deep Learning (codice 92819)

Curriculum: MAIA (Medical Image Analysis and Applications) del corso di Ingegneria Informatica - Medical Image Analysis and Applications (MAIA)
Programmazione per l'A.A.: 2019/2020

Appelli d'esame: Calendario - Prenotazioni
Orari del corso di Ingegneria Informatica - Medical Image Analysis and Applications (MAIA): apri


Crediti Formativi Universitari (CFU): 6,00
Settore Scientifico Disciplinare (SSD): ING-INF/05
Ambito disciplinare: Ingegneria informatica
Attività: Attività formative caratterizzanti (B)
Ore aula: 28
Ore laboratorio:10
Ore esercitazioni: 10

Canale unico
  • Docente: MARROCCO CLAUDIO Scheda informativa del docente MARROCCO
  • Docente: BRIA ALESSANDRO Scheda informativa del docente BRIA

Obiettivi:
Il corso ha l'obiettivo di introdurre i concetti fondamentali del Machine Learning con particolare attenzione alle nuove tecnologie di Deep Learning. Il corso mira a fornire agli studenti la capacità di comprendere, utilizzare e valutare algoritmi e metodologie per l'apprendimento automatico.


Programma:
• Teoria Bayesiana della decisione.
• Tecniche di classificazione parametriche e non parametriche.
• Classificatori basati sull’apprendimento: a supporto vettoriale, reti neurali, sistemi di multiclassificatori
• Tecniche per valutare e migliorare le prestazioni dei classificatori.
• Introduzione al Deep Learning
• Reti Convoluzionali (CNN), Reti Ricorrenti (RNN), Reti Generative Avversarie (GAN), Autoencoder

Testi:
A.R. Webb, K.D. Copsey, Statistical Pattern Recognition, 3rd Edition, Wiley 2011
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016

Obiettivi:
Il corso ha l'obiettivo di introdurre i concetti fondamentali del Machine Learning con particolare attenzione alle nuove tecnologie di Deep Learning. Il corso mira a fornire agli studenti la capacità di comprendere, utilizzare e valutare algoritmi e metodologie per l'apprendimento automatico.


Programma:
Teoria Bayesiana della decisione.
Tecniche di classificazione parametriche e non parametriche.
Classificatori basati sull’apprendimento: a supporto vettoriale, reti neurali, sistemi di multiclassificatori
Tecniche per valutare e migliorare le prestazioni dei classificatori.
Introduzione al Deep Learning
Reti Convoluzionali (CNN), Reti Ricorrenti (RNN), Reti Generative Avversarie (GAN), Autoencoder

Testi:
A.R. Webb, K.D. Copsey, Statistical Pattern Recognition, 3rd Edition, Wiley 2011
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016


[Ultima modifica: mercoledì 30 novembre 2016]