Deep Learning

Prof. Giovanni Maria Farinella

Dr. Francesco Ragusa

Corso di Laurea in Informatica

Dipartimento di Matematica e Informatica

Università degli Studi di Catania

A.A. 2024/2025

Le lezioni avranno inizio il 08 ottobre 2024

Per informazioni su possibili tesi/stage (anche in collaborazione con aziende)

è preferibile fissare un appuntamento con il docente via email

Aula: 4

Ora: 17-19

Giorno: Martedì / Giovedì / Venerdì

Ricevimento: Venerdì dalle 16:00 alle 17:00 (è consigliato inviare email per concordare l'orario).


Descrizione del Corso

Il termine Deep Learning identifica una classe di algoritmi di machine learning basati sull’apprendimento automatico di rappresentazioni dei dati in maniera gerarchica al fine di risolvere un determinato problema. La recente disponibilità di grandi quantità di dati e di appropriate risorse computazionali per analizzarli ha favorito l’affermarsi di tali tecnologie per la risoluzione di problemi quali l’analisi di immagini e video, l’analisi di segnali audio, il processamento di testi, e, in genere, l’analisi di grosse quantità di dati di diversa natura. Data la complessità che gli algoritmi basati su Deep Learning possono facilmente raggiungere, competenze specifiche sono richieste per poter correttamente progettare tali algoritmi, allenarli, misurarne la bontà, e comprenderne i limiti.

Lo scopo di questo corso è di fornire tali competenze e in particolare:

  • Fornire una conoscenza estesa dei problemi che il deep learning si pone di risolvere;
  • Fornire una panoramica sulle metodologie attualmente disponibili per risolvere tali problemi;
  • Fornire una panoramica sui moduli computazionali utili a risolvere determinati sotto-problemi all’interno di un problema più complesso;
  • Fornire una metodologia basata sul ragionamento per moduli computazionali utile allo sviluppo di architetture di deep learning per affrontare un dato problema;
  • Fornire gli strumenti per valutare correttamente gli algoritmi di deep learning;
  • Fornire gli strumenti per addestrare correttamente gli algoritmi di deep learning.
Argomenti Principali
  • Deep Learning - Basic Concepts
  • Deep Autoencoders
  • Deep Generative Models
  • Deep Domain Adaptation
  • Deep Metric Learning
  • Deep Sequential Modeling
  • Deep Reinforcement Learning
  • Other Deep Learning Paradigms and State-of-the-Art Architectures
Libri di Testo
  • E. Alpaydin, Introduction to Machine Learning 
  • M. P. Deisenroth et. al, Mathematics for Machine Learning 
  • I. Goodfellow et al., Deep Learning 
  • Ovidiu Calin, Deep Learning Architectures 
  • Sutton and Barto, Reinforcement Learning 
  • David Foster, Generative Deep Learning 
  • Gabriela Csurka, Domain Adaptation for Visual Applications: A Comprehensive Survey 
  • Mei Wang, Weihong Deng, Deep Visual Domain Adaptation: A Survey 
  • Aurélien Bellet, Amaury Habrard, Marc Sebban, Metric Learning 

Materie Propedeutiche

Si utilizzeranno nozioni di base trattate nelle seguenti materie:

  • Machine Learning
Modalità d'Esame
  • Verifica con prova scritta
  • Progetto (assegnato dal docente) corredato da una relazione.
  • Homework assegnati durante le lezioni

Modalità di Valutazione

Valutazione del progetto e della relazione: 50%
Valutazione della prova scritta e eventuali homework: 50%