Anno accademico 2023-2024

FOUNDATIONS OF NEURAL NETWORKS

Docenti

Alberto Policriti
Totale crediti
6
Periodo didattico
Primo Periodo
Tipologia
Caratterizzante
Prerequisiti. Trattandosi di un corso fondazionale non sono richiesti prerequisiti se non la maturità informatica e matematica attesa per studenti del corso di laurea magistrale in Informatica
Metodi didattici. Si terranno lezioni frontali e contributi in forma seminariale aggiuntivi.
Modalità di verifica. La verifica dell’apprendimento avverrà tramite un esame orale ed un approfondimento pianificato e preparato in collaborazione con il docente
Altre informazioni. Il corso di terrà in modalità online
Obiettivi formativi
L’obiettivo principale è quello di introdurre i concetti di base, i risultati, la terminologia e, soprattutto, gli strumenti matematici comunemente utilizzati nel campo delle reti neurali oggi. Il campo è in forte e veloce espansione e richiede una ferma comprensione degli aspetti fondamentali e dei limiti computazionali della disciplina. In questo senso è essenziale una conoscenza di base sicura degli aspetti fondamentali dello strumento formale che le reti neurali rappresentano.
Contenuti
Il corso sarà una introduzione alle Reti Neurali, con un focus specifico sulla loro storia, i loro successi/sconfitte ed il loro status attuale da un punto di vista sia teorico che applicativo. Nella parte iniziale si osserveranno brevemente le reti neurali biologiche; si passerà quindi ad illustrare quali sono le componenti di base di una rete neurale e come queste vengono integrate nel modello. Successivamente passeremo a studiare il processo di learning nelle sue principali varianti (unsupervised/supervised, reinforced, etc.) e le più popolari strategie/topologie di reti. A seguire vedremo una galleria di modelli di rete (Jordan, Elman, Hopfield, Radial-Basis, etc.) e, se il tempo lo consentirà, discuteremo temi recenti nel disegno di RN: transfomers, logical neural networks, fast/slow thinking models.
Testi di riferimento
A Brief Introduction to Neural Networks – D. Kriesel

Introduction to Deep Learning E. Charniak

Neural Networks and Learning Machines S. Haykin

Shalev-Shwartz, Ben-David Understanding Machine Learning

Foundations of Data Science Blum A., Hopcroft J. and Kannan R.