Anno accademico 2021-2022

ARTIFICIAL INTELLIGENCE FOR MULTIMEDIA

Docenti

Lauro Snidaro
Totale crediti
9
Periodo didattico
Primo Periodo
Tipologia
Caratterizzante
Prerequisiti. Il corso presuppone la conoscenza dei concetti di base della programmazione. La conoscenza di un linguaggio orientato agli oggetti rappresenta un vantaggio.
Metodi didattici. Le lezioni verranno svolte interamente in laboratorio prediligendo un approccio pratico e sperimentale con ampio spazio ad esempi ed esercitazioni. Il metodo didattico scelto permetterà di sperimentare immediatamente le nozioni presentate dal docente.
Modalità di verifica. L’esame consiste nella discussione orale di un progetto scelto dallo studente.

La finalità della verifica è di accertare:

– la conoscenza e la comprensione delle nozioni impartire durante il corso mediante domande sui concetti fondamentali del Deep Learning e del Generative Learning

– la capacità di applicazione della conoscenza acquisita e l’utilizzo della corretta terminologia tecnica mediante domande sul funzionamento del progetto presentato

Altre informazioni. STRUMENTI A SUPPORTO DELLA DIDATTICA

Slides fornite dal docente, videoregistrazioni delle lezioni. Tutto il materiale è disponibile su elearning.uniud.it

TESI DI LAUREA

Tesi disponibili. Contattare il docente.

Obiettivi formativi
https://www.uniud.it/it/didattica/info-didattiche/regolamento-didattico-del-corso/LM-comunicazione-multimediale-tecnologie-informazione/all-B2
Contenuti
Il corso mira ad illustrare i concetti fondamentali alla base delle più recenti tecniche di Intelligenza Artificiale applicabili in ambito multimediale. In particolare, verranno presentati modelli di reti neurali profonde in base agli attuali approcci di Deep Learning, ponendo particolare attenzione ai modelli generativi.

L’obiettivo è quello di esplorare la dimensione della creatività affrontando compiti che erano preclusi al calcolatore fino a poco tempo fa: la creazione di immagini o volti umani artificiali, l’applicazione di uno stile pittorico ad un’immagine campione (neural-style transfer), la creazione di un risponditore automatico, la generazione di paragrafi di testo o di musica.

Esperimenti su modelli generativi verranno condotti in classe mediante l’utilizzo del linguaggio di programmazione Python e librerie per il Deep Learning quali Keras e Tensorflow.

Programma:

Parte I: Fondamentali

Reti neurali

Introduzione al Deep Learning

Convolutional Networks

Introduzione ai modelli generativi

Variational Autoencoders

Generative Adversarial Networks

Parte II: Applicazioni

Generazione di immagini artificiali

Neural Style Transfer

Generazione di testi

Generazione di musica

Testi di riferimento
Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play, O’Reilly, 2019.

Rashid, Tariq. Make your own neural network: a gentle journey through the mathematics of neural networks, and making your own using the Python computer language. CreateSpace Independent Publ., 2016.

Goodfellow, Ian, et al. Deep learning. Vol. 1. Cambridge: MIT press, 2016.

Deep Learning with Keras: Implementing deep learning models and neural networks with the power of Python, Packt, 2017.