Prof. Aurelio Uncini: i libri dei suoi insegnamenti

1. Qual è la differenza tra apprendimento supervisionato e non supervisionato?
2. Che cosa misura la funzione di perdita in un problema di regressione?
3. Perché la suddivisione dei dati in addestramento e validazione è necessaria?
4. Come si riconosce un fenomeno di overfitting dall'andamento dell'errore?
5. Come si confrontano la regressione lineare e la regressione logistica?
6. Come funziona l'algoritmo k-means nel raggruppamento dei dati?
7. Che cosa indica la regolarizzazione L2 sul vettore dei pesi?
8. Quali metriche si usano per valutare un classificatore su classi sbilanciate?
9. Come si costruisce un albero decisionale a partire da un insieme di esempi?
10. Perché il bias e la varianza di uno stimatore sono in compromesso?
11. In che modo la discesa del gradiente aggiorna i parametri di un modello?
12. Quali vantaggi offre un insieme di modelli rispetto a un modello singolo?
13. Come si scelgono gli iperparametri di un modello con una ricerca a griglia?
14. Che cosa significa che un modello generalizza bene su dati mai visti?
15. Come si calcola la matrice di confusione di un classificatore binario?
16. Quando è preferibile una macchina a vettori di supporto con kernel?
17. Perché la normalizzazione delle caratteristiche migliora la convergenza del gradiente?
18. Come si riduce la dimensionalità dei dati con l'analisi delle componenti principali?
19. Quali ipotesi fa il classificatore naive Bayes sulle variabili?
20. Come si interpreta la curva ROC e che cosa rappresenta l'area sotto di essa?

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

1. Come si rappresenta un segnale audio nel dominio delle frequenze tramite la trasformata di Fourier?
2. Quali caratteristiche acustiche vengono estratte per il riconoscimento del parlato?
3. Come si confrontano gli spettrogrammi lineari e quelli a scala Mel?
4. Che cosa misurano i coefficienti cepstrali MFCC e a cosa servono?
5. In che modo una rete neurale convoluzionale elabora uno spettrogramma?
6. Quali differenze esistono tra separazione di sorgenti e riduzione del rumore?
7. Come si valuta la qualità di una sintesi vocale con metriche oggettive?
8. Perché il campionamento a frequenza troppo bassa produce aliasing nel segnale audio?
9. Come si addestra un modello per riconoscere eventi sonori in registrazioni reali?
10. Quali tecniche permettono di separare la voce dallo sfondo musicale?
11. In che modo il filtro di Wiener riduce il rumore stazionario?
12. Come si calcola la densità spettrale di potenza di un segnale audio su una finestra temporale?
13. Quali vantaggi offre l'elaborazione in tempo reale rispetto a quella offline?
14. Come si misura la latenza di un sistema di elaborazione audio?
15. Perché la normalizzazione del volume è importante nell'addestramento di modelli sonori?
16. Quali metriche si usano per confrontare due tracce audio ripetute?
17. Come si progetta un'architettura ricorrente per dati sequenziali come il suono?
18. Che cosa si intende per modello acustico in un sistema di trascrizione automatica?
19. Quali errori tipici si riscontrano nella trascrizione di un discorso con più parlanti?
20. Come si valutano i risultati di un riconoscitore vocale in ambienti rumorosi?

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

1. Che cosa distingue una rete neurale profonda da una rete con un solo strato nascosto?
2. Come funziona la retropropagazione dell'errore attraverso più strati?
3. Perché la funzione di attivazione ReLU riduce il problema del gradiente che svanisce?
4. Quali differenze esistono tra una rete convoluzionale e una rete ricorrente?
5. Come si confrontano le reti generative avversarie con gli autoencoder?
6. In che modo il dropout riduce l'overfitting durante l'addestramento?
7. Come si inizializzano i pesi di una rete profonda per favorire la convergenza?
8. Quali vantaggi offre il transfer learning quando i dati etichettati sono pochi?
9. Come si calcola il numero di parametri di uno strato convoluzionale?
10. Perché il meccanismo di attenzione migliora l'elaborazione di sequenze lunghe?
11. Come si scelgono la dimensione del batch e il tasso di apprendimento?
12. Quali tecniche di normalizzazione stabilizzano l'addestramento di una rete profonda?
13. Come si valuta la capacità di generalizzazione di una rete su un insieme di test?
14. Quali risorse computazionali richiede l'addestramento di una rete di grandi dimensioni?
15. In che modo il campo recettivo di una convoluzione influenza le caratteristiche estratte?
16. Come si confrontano le architetture a residui con quelle sequenziali classiche?
17. Quali problemi emergono quando un modello viene applicato a dati diversi da quelli di addestramento?
18. Come si interpreta una mappa di attivazione in un modello di visione?
19. Perché la quantizzazione dei pesi riduce il costo di inferenza su dispositivi limitati?
20. Come si regola l'ottimizzatore Adam rispetto alla discesa del gradiente stocastica?

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