Prof. Adriano Barra: i libri dei suoi insegnamenti

1. Come si definisce un neurone artificiale come funzione di trasferimento su una somma pesata?
2. Che cos'è una funzione di attivazione e perché deve essere non lineare?
3. Come si calcola l'errore di un modello di rete neuronale con la funzione di costo quadratica?
4. Come si applica l'algoritmo di retropropagazione del gradiente a una rete a più strati?
5. Quali proprietà garantisce il teorema di approssimazione universale per le reti neuronali?
6. Come si inizializzano i pesi di una rete per evitare la scomparsa del gradiente?
7. Che cosa si intende per sovradattamento e come lo si contrasta con la regolarizzazione?
8. Come si divide un insieme di dati in addestramento, validazione e test?
9. Quali sono le differenze tra una rete feed-forward e una rete ricorrente?
10. Come si interpreta la matrice di confusione per un problema di classificazione?
11. Quali metodi di ottimizzazione si usano per minimizzare la funzione di costo?
12. Come si calcola il gradiente della funzione di costo rispetto a un singolo peso?
13. Quale ruolo ha il tasso di apprendimento nella convergenza di un addestramento?
14. Come si applica la normalizzazione dei dati prima dell'addestramento di una rete?
15. Che cosa rappresenta la dimensione VC di un modello di apprendimento?
16. Come si stima la capacità di generalizzazione di una rete su nuovi dati?
17. In che modo la convoluzione viene utilizzata nelle reti per l'elaborazione di immagini?
18. Quali criteri si adottano per scegliere l'architettura di una rete per un segnale biomedico?
19. Come si valuta la sensibilità e la specificità di un classificatore?
20. Quali limiti presentano i modelli di rete neuronale quando i dati sono scarsi?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Come si definisce un neurone artificiale come funzione di trasferimento su una somma pesata?
2. Che cos'è una funzione di attivazione e perché deve essere non lineare?
3. Come si calcola l'errore di un modello di rete neuronale con la funzione di costo quadratica?
4. Come si applica l'algoritmo di retropropagazione del gradiente a una rete a più strati?
5. Quali proprietà garantisce il teorema di approssimazione universale per le reti neuronali?
6. Come si inizializzano i pesi di una rete per evitare la scomparsa del gradiente?
7. Che cosa si intende per sovradattamento e come lo si contrasta con la regolarizzazione?
8. Come si divide un insieme di dati in addestramento, validazione e test?
9. Quali sono le differenze tra una rete feed-forward e una rete ricorrente?
10. Come si interpreta la matrice di confusione per un problema di classificazione?
11. Quali metodi di ottimizzazione si usano per minimizzare la funzione di costo?
12. Come si calcola il gradiente della funzione di costo rispetto a un singolo peso?
13. Quale ruolo ha il tasso di apprendimento nella convergenza di un addestramento?
14. Come si applica la normalizzazione dei dati prima dell'addestramento di una rete?
15. Che cosa rappresenta la dimensione VC di un modello di apprendimento?
16. Come si stima la capacità di generalizzazione di una rete su nuovi dati?
17. In che modo la convoluzione viene utilizzata nelle reti per l'elaborazione di immagini?
18. Quali criteri si adottano per scegliere l'architettura di una rete per un segnale biomedico?
19. Come si valuta la sensibilità e la specificità di un classificatore?
20. Quali limiti presentano i modelli di rete neuronale quando i dati sono scarsi?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Come si definisce un neurone artificiale come funzione di trasferimento su una somma pesata?
2. Che cos'è una funzione di attivazione e perché deve essere non lineare?
3. Come si calcola l'errore di un modello di rete neuronale con la funzione di costo quadratica?
4. Come si applica l'algoritmo di retropropagazione del gradiente a una rete a più strati?
5. Quali proprietà garantisce il teorema di approssimazione universale per le reti neuronali?
6. Come si inizializzano i pesi di una rete per evitare la scomparsa del gradiente?
7. Che cosa si intende per sovradattamento e come lo si contrasta con la regolarizzazione?
8. Come si divide un insieme di dati in addestramento, validazione e test?
9. Quali sono le differenze tra una rete feed-forward e una rete ricorrente?
10. Come si interpreta la matrice di confusione per un problema di classificazione?
11. Quali metodi di ottimizzazione si usano per minimizzare la funzione di costo?
12. Come si calcola il gradiente della funzione di costo rispetto a un singolo peso?
13. Quale ruolo ha il tasso di apprendimento nella convergenza di un addestramento?
14. Come si applica la normalizzazione dei dati prima dell'addestramento di una rete?
15. Che cosa rappresenta la dimensione VC di un modello di apprendimento?
16. Come si stima la capacità di generalizzazione di una rete su nuovi dati?
17. In che modo la convoluzione viene utilizzata nelle reti per l'elaborazione di immagini?
18. Quali criteri si adottano per scegliere l'architettura di una rete per un segnale biomedico?
19. Come si valuta la sensibilità e la specificità di un classificatore?
20. Quali limiti presentano i modelli di rete neuronale quando i dati sono scarsi?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Come si definisce un neurone artificiale come funzione di trasferimento su una somma pesata?
2. Che cos'è una funzione di attivazione e perché deve essere non lineare?
3. Come si calcola l'errore di un modello di rete neuronale con la funzione di costo quadratica?
4. Come si applica l'algoritmo di retropropagazione del gradiente a una rete a più strati?
5. Quali proprietà garantisce il teorema di approssimazione universale per le reti neuronali?
6. Come si inizializzano i pesi di una rete per evitare la scomparsa del gradiente?
7. Che cosa si intende per sovradattamento e come lo si contrasta con la regolarizzazione?
8. Come si divide un insieme di dati in addestramento, validazione e test?
9. Quali sono le differenze tra una rete feed-forward e una rete ricorrente?
10. Come si interpreta la matrice di confusione per un problema di classificazione?
11. Quali metodi di ottimizzazione si usano per minimizzare la funzione di costo?
12. Come si calcola il gradiente della funzione di costo rispetto a un singolo peso?
13. Quale ruolo ha il tasso di apprendimento nella convergenza di un addestramento?
14. Come si applica la normalizzazione dei dati prima dell'addestramento di una rete?
15. Che cosa rappresenta la dimensione VC di un modello di apprendimento?
16. Come si stima la capacità di generalizzazione di una rete su nuovi dati?
17. In che modo la convoluzione viene utilizzata nelle reti per l'elaborazione di immagini?
18. Quali criteri si adottano per scegliere l'architettura di una rete per un segnale biomedico?
19. Come si valuta la sensibilità e la specificità di un classificatore?
20. Quali limiti presentano i modelli di rete neuronale quando i dati sono scarsi?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.