Prof. Alfonso Emilio Gerevini

Argomenti del programma: 1) Fondamenti di Deep Learning; 2) Reti Feed-forward profonde; 3) Regolarizzazione e ottimizzazione dell’addestramento; 4) Convolutional Neural Networks; 5) Recurrent Neural Networks ed Attention Mechanism; 6) Modelli Transformer, BERT e GPT 7) Large Language Models 8) Concetti fondamentali di Representation Learning e Autoencoder 9) Generazione di immagini con Generative Adversarial Networks e Diffusion Models 10)…

• Materiale didattico distribuito dal docente

Argomenti del programma: Introduzione e concetti preliminari. Risoluzione di problemi attraverso ricerca. Rappresentazione della conoscenza, ragionamento automatico e logica. Problemi di soddisfacimento di vincoli. Ragionamento in presenza di incertezza. Algoritmi e sistemi per la pianificazione automatica. Sistemi multi agente per path planning. Introduzione a Agentic AI.

• Materiale didattico distribuito dal docente

Argomenti del programma: Introduzione e concetti preliminari. Risoluzione di problemi attraverso ricerca. Rappresentazione della conoscenza, ragionamento automatico e logica. Problemi di soddisfacimento di vincoli. Ragionamento in presenza di incertezza. Algoritmi e sistemi per la pianificazione automatica. Sistemi multi agente per path planning. Introduzione a Agentic AI.

• Il corso utilizzerà una selezione dei capitoli dei seguenti libri (che verrà indicata all'inizio del corso); ulteriore materiale verrà fornito dai docenti sul sito del corso:

Argomenti del programma: 1) Introduzione: Machine Learning e Data Mining (MLDM) 2) Rappresentazione e preprocessing dei dati per MLDM 3) Apprendimento supervisionato (apprendimento induttivo, alberi di decisione, apprendimento di regole, reti neurali, regressione e classificazione con modelli lineari, support vector machines, apprendimento d'insieme) 4) Apprendimento Bayesiano 5) Apprendimento non-supervisionato e clustering 6) Utilizzo di…

Argomenti del programma: Il corso fornisce una trattazione integrata dei seguenti macro argomenti: - Reinforcement Learning (RL) per decision making sequenziale in agenti intelligenti - Tecniche neuro-simboliche che combinano apprendimento neurale con ragionamento e conoscenza simbolici