Libri UniversitariZoom 100%

Prof. Indro Spinelli: i libri dei suoi insegnamenti

Scheda docente sul sito dell’ateneo ›
Insegnamenti trovati: 3
Sapienza 3 insegnamenti
Facoltà: Ingegneria dell'informazione, informatica e statistica

Prof. Indro Spinelli: Deep Learning

5,4difficoltà
Sapienza · Facoltà: Ingegneria dell'informazione, informatica e statistica · Applied Computer Science and Artificial Intelligence – Informatica Applicata e Intelligenza Artificiale (L-31)
Di cosa si tratta: Reti neurali lineari, trade-off bias-varianza, multilayer perceptron, backpropagation e autoencoder aprono lo studio. Seguono le reti convolutive per le immagini e la computer vision, le reti ricorrenti, word embedding, modelli seq2seq e transformer per le sequenze, e i modelli generativi come i Variational Autoencoders, oltre a ottimizzazione e algoritmi basati sul gradiente.
🕒 Orario lezioni
  • Lun8–10Aula 1 (RM018)
  • Ven8–11Aula 1 (RM018)

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Frequenza consigliata · Slides and coding scripts will be distributed after lectures, as well as references to online material, including papers and blogs.
Dati verificati il 18/09/2026

Libri indicati per la materia

Scorri di lato: 13 libri
Deisenroth, Faisal, Ong, 2020. Mathematics for Machine LearningISBN 9781108455145
Tempo di studio del libro≈ 4 settimane
Obbligatorietà
Obbligatorio
Adottato in
2 materie
Tipo
Manuale
Pagine
371 pagine
Difficoltà
6,1
Christopher – BishopISBN 9780387310732
Tempo di studio del libro≈ 8 settimane
Obbligatorietà
Obbligatorio
Adottato in
8 materie
Tipo
Manuale
Pagine
738 pagine
Difficoltà
8
Aston Zhang, Zachary Lipton, Alexander J. Smola, MuISBN 9781009389433
Tempo di studio del libro≈ 6 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
548 pagine
Difficoltà
7,1
Francois Fleuret, 2024. The Little Book of DeepISBN 9781447678618
Tempo di studio del libro≈ 2 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
159 pagine
Difficoltà
5,3
Michael – Joan BrunaISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,4
Ian Goofellow, Yoshua Bengio, Aaron Courville, 2017. DeepISBN 9780262035613
Tempo di studio del libro≈ 8,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
10 materie
Tipo
Manuale
Pagine
775 pagine
Difficoltà
7,7
Andrew Ng, 2019. Machine Learning Yearning (available at:ISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,4
Zhang Lipton Li Smola BookISBN 9781009389433
Tempo di studio del libro≈ 6 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
548 pagine
Difficoltà
7,1
Antonio Torralba, Phillip Isola and William T. Freeman,ISBN 9780262048972
Tempo di studio del libro≈ 9 settimane
Obbligatorietà
Obbligatorio
Adottato in
4 materie
Tipo
Manuale
Pagine
810 pagine
Difficoltà
8,1
Richard Szeliski – Algorithms and ApplicationsISBN 9781848829343
Tempo di studio del libro≈ 9 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
812 pagine
Difficoltà
8,6
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,4
Aston Zhang, Zachary Lipton, Alexander J. Smola, MuISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,4
Jake VanderPlas – Tools and Techniques for DevelopersISBN 9781491912058
Tempo di studio del libro≈ 6 settimane
Obbligatorietà
Obbligatorio
Adottato in
3 materie
Tipo
Manuale
Pagine
529 pagine
Difficoltà
7
Domande possibili all’esame
  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.

Prof. Indro Spinelli: Machine Learning

3,3difficoltà
Sapienza · Facoltà: Ingegneria dell'informazione, informatica e statistica · Informatica (L-31)
Di cosa si tratta: Problemi di imputazione, regressione, classificazione e predizione di sequenze affrontati con modelli come nearest neighbors, decision forest, support vector machine e reti neurali. Un altro impianto parte da richiami di algebra lineare e decomposizione ai valori singolari, poi passa a funzioni di trasferimento, rappresentazione nello spazio di stato, stabilità, controllori PID e controllabilità.

Dettagli corso

3º annoCorso: L-31
CFU: 6Canale: Unico

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Frequenza consigliata · Slides e coding scripts saranno distribuiti alle lezioni, e si condivideranno riferimenti a materiale online, inclusi articoli e blogs.
Dati verificati il 18/09/2026

Libri indicati per la materia

Scorri di lato: 12 libri
Deisenroth, Faisal, Ong, 2020. Mathematics for Machine LearningISBN 9781108455145
Tempo di studio del libro≈ 4 settimane
Obbligatorietà
Obbligatorio
Adottato in
2 materie
Tipo
Manuale
Pagine
371 pagine
Difficoltà
6,1
Christopher – BishopISBN 9780387310732
Tempo di studio del libro≈ 8 settimane
Obbligatorietà
Obbligatorio
Adottato in
8 materie
Tipo
Manuale
Pagine
738 pagine
Difficoltà
8
Aston Zhang, Zachary Lipton, Alexander J. Smola, MuISBN 9781009389433
Tempo di studio del libro≈ 6 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
548 pagine
Difficoltà
7,1
Francois Fleuret, 2024. The Little Book of DeepISBN 9781447678618
Tempo di studio del libro≈ 2 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
159 pagine
Difficoltà
5,3
Michael – Joan BrunaISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,4
Ian Goofellow, Yoshua Bengio, Aaron Courville, 2017. DeepISBN 9780262035613
Tempo di studio del libro≈ 8,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
10 materie
Tipo
Manuale
Pagine
775 pagine
Difficoltà
7,7
Andrew Ng, 2019. Machine Learning Yearning (available at:ISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,4
Zhang Lipton Li Smola BookISBN 9781009389433
Tempo di studio del libro≈ 6 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
548 pagine
Difficoltà
7,1
Antonio Torralba, Phillip Isola and William T. Freeman,ISBN 9780262048972
Tempo di studio del libro≈ 9 settimane
Obbligatorietà
Obbligatorio
Adottato in
4 materie
Tipo
Manuale
Pagine
810 pagine
Difficoltà
8,1
Richard Szeliski – Algorithms and ApplicationsISBN 9781848829343
Tempo di studio del libro≈ 9 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
812 pagine
Difficoltà
8,6
Aston Zhang, Zachary Lipton, Alexander J. Smola, MuISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,4
Jake VanderPlas – Tools and Techniques for DevelopersISBN 9781491912058
Tempo di studio del libro≈ 6 settimane
Obbligatorietà
Obbligatorio
Adottato in
3 materie
Tipo
Manuale
Pagine
529 pagine
Difficoltà
7
Domande possibili all’esame
  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.

Prof. Indro Spinelli: Machine Learning

3,3difficoltà
Sapienza · Facoltà: Ingegneria dell'informazione, informatica e statistica · Informatica (L-31)
Di cosa si tratta: Problemi di imputazione, regressione, classificazione e predizione di sequenze affrontati con modelli come nearest neighbors, decision forest, support vector machine e reti neurali. Un altro impianto parte da richiami di algebra lineare e decomposizione ai valori singolari, poi passa a funzioni di trasferimento, rappresentazione nello spazio di stato, stabilità, controllori PID e controllabilità.

Dettagli corso

3º annoCorso: L-31
CFU: 6Canale: Unico

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Frequenza consigliata · Slides e coding scripts saranno distribuiti alle lezioni, e si condivideranno riferimenti a materiale online, inclusi articoli e blogs.
Dati verificati il 18/09/2026

Libri indicati per la materia

Scorri di lato: 12 libri
Deisenroth, Faisal, Ong, 2020. Mathematics for Machine LearningISBN 9781108455145
Tempo di studio del libro≈ 4 settimane
Obbligatorietà
Obbligatorio
Adottato in
2 materie
Tipo
Manuale
Pagine
371 pagine
Difficoltà
6,1
Christopher – BishopISBN 9780387310732
Tempo di studio del libro≈ 8 settimane
Obbligatorietà
Obbligatorio
Adottato in
8 materie
Tipo
Manuale
Pagine
738 pagine
Difficoltà
8
Aston Zhang, Zachary Lipton, Alexander J. Smola, MuISBN 9781009389433
Tempo di studio del libro≈ 6 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
548 pagine
Difficoltà
7,1
Francois Fleuret, 2024. The Little Book of DeepISBN 9781447678618
Tempo di studio del libro≈ 2 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
159 pagine
Difficoltà
5,3
Michael – Joan BrunaISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,4
Ian Goofellow, Yoshua Bengio, Aaron Courville, 2017. DeepISBN 9780262035613
Tempo di studio del libro≈ 8,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
10 materie
Tipo
Manuale
Pagine
775 pagine
Difficoltà
7,7
Andrew Ng, 2019. Machine Learning Yearning (available at:ISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,4
Zhang Lipton Li Smola BookISBN 9781009389433
Tempo di studio del libro≈ 6 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
548 pagine
Difficoltà
7,1
Antonio Torralba, Phillip Isola and William T. Freeman,ISBN 9780262048972
Tempo di studio del libro≈ 9 settimane
Obbligatorietà
Obbligatorio
Adottato in
4 materie
Tipo
Manuale
Pagine
810 pagine
Difficoltà
8,1
Richard Szeliski – Algorithms and ApplicationsISBN 9781848829343
Tempo di studio del libro≈ 9 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
812 pagine
Difficoltà
8,6
Aston Zhang, Zachary Lipton, Alexander J. Smola, MuISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,4
Jake VanderPlas – Tools and Techniques for DevelopersISBN 9781491912058
Tempo di studio del libro≈ 6 settimane
Obbligatorietà
Obbligatorio
Adottato in
3 materie
Tipo
Manuale
Pagine
529 pagine
Difficoltà
7
Domande possibili all’esame
  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.

Scorri di lato: 3 insegnamenti →

Domande frequenti Libri, programma ed esami del prof. Indro Spinelli a Sapienza

Che libro usa il prof. Indro Spinelli per Deep Learning a Sapienza?

Per Deep Learning (Canale unico) indica come obbligatorio: Deisenroth, Faisal, Ong, 2020. Mathematics for Machine Learning, Christopher – Bishop, Aston Zhang, Zachary Lipton, Alexander J. Smola, Mu, Francois Fleuret, 2024. The Little Book of Deep, Michael – Joan Bruna, Ian Goofellow, Yoshua Bengio, Aaron Courville, 2017. Deep, Andrew Ng, 2019. Machine Learning Yearning (available at:, Zhang Lipton Li Smola Book, Antonio Torralba, Phillip Isola and William T. Freeman,, Richard Szeliski – Algorithms and Applications, Frank Dellaert, 2024, Robotics. (available at: https://www.roboticsbook.org/), Aston Zhang, Zachary Lipton, Alexander J. Smola, Mu, Jake VanderPlas – Tools and Techniques for Developers.

Quanto è impegnativo Deep Learning?

6 CFU, difficoltà stimata 5.4 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Indro Spinelli per Machine Learning a Sapienza?

Per Machine Learning (Canale unico) indica come obbligatorio: Deisenroth, Faisal, Ong, 2020. Mathematics for Machine Learning, Christopher – Bishop, Aston Zhang, Zachary Lipton, Alexander J. Smola, Mu, Francois Fleuret, 2024. The Little Book of Deep, Michael – Joan Bruna, Ian Goofellow, Yoshua Bengio, Aaron Courville, 2017. Deep, Andrew Ng, 2019. Machine Learning Yearning (available at:, Zhang Lipton Li Smola Book, Antonio Torralba, Phillip Isola and William T. Freeman,, Richard Szeliski – Algorithms and Applications, Aston Zhang, Zachary Lipton, Alexander J. Smola, Mu, Jake VanderPlas – Tools and Techniques for Developers.

Quanto è impegnativo Machine Learning?

6 CFU, difficoltà stimata 3.3 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Indro Spinelli per Machine Learning a Sapienza?

Per Machine Learning (Canale unico) indica come obbligatorio: Deisenroth, Faisal, Ong, 2020. Mathematics for Machine Learning, Christopher – Bishop, Aston Zhang, Zachary Lipton, Alexander J. Smola, Mu, Francois Fleuret, 2024. The Little Book of Deep, Michael – Joan Bruna, Ian Goofellow, Yoshua Bengio, Aaron Courville, 2017. Deep, Andrew Ng, 2019. Machine Learning Yearning (available at:, Zhang Lipton Li Smola Book, Antonio Torralba, Phillip Isola and William T. Freeman,, Richard Szeliski – Algorithms and Applications, Aston Zhang, Zachary Lipton, Alexander J. Smola, Mu, Jake VanderPlas – Tools and Techniques for Developers.

Quanto è impegnativo Machine Learning?

6 CFU, difficoltà stimata 3.3 su 10 rispetto agli esami della stessa area.

Dove trovo la scheda ufficiale di un esame?

Ogni insegnamento qui sopra ha il link alla scheda ufficiale dell’ateneo: controllala sempre prima di acquistare.

Sei uno studente tra i 18 e i 22 anni?Con Prime Student hai 90 giorni gratis, poi Amazon Prime a soli 2,49 € al mese: consegne veloci e gratuite anche sui libri.Scopri Prime Student ›
Controlla sempre la scheda dell'esame. Le informazioni vengono dalle schede ufficiali degli atenei e possono cambiare o contenere errori: prima di acquistare verifica i testi sulla scheda ufficiale dell'esame (la trovi linkata in ogni esame) e, nel dubbio, chiedi al docente.
Aiutaci a tenerci aggiornati
Il prof ha indicato altri libri, pagine o modifiche? Scrivicelo.