lo adottano, in 2 atenei7 docenti · 7 corsi di laurea
Scheda libro
Titolo
Deep learning
Autori
Goodfellow, Ian Ian Goodfellow, Yoshua Bengio, Aaron Courville
Editore
[Alanna Maldonado], 2023
Edizione
2023
ISBN
9789732345528
Lingua
n.d.
Pagine
787
Tipo
Manuale universitario
Studio
≈ 8,5 settimane
Cosa si studia con questo libro Goodfellow – Deep Learning: di cosa parla
Deep Learning, pubblicato da MIT Press e scritto da tre autori, è un testo sulle reti neurali profonde e sull'apprendimento automatico. Compare nelle letture di machine learning, machine learning and deep learning, deep learning, di un insegnamento sulle applicazioni all'ambito della fisica e di quantum computing and neural networks. I programmi collegati toccano regressione, classificazione, foreste decisionali, macchine a vettori di supporto, reti feed forward, convoluzionali e ricorrenti e algoritmo di backpropagation. È adatto a studenti di informatica, fisica e ingegneria che affrontano l'apprendimento automatico.
Dove acquistarlo Goodfellow – Deep Learning: prezzo nuovo e usato su Amazon, IBS e Libraccio
Chi lo adotta Goodfellow – Deep Learning: esami, corsi di laurea e docenti che lo indicano
Sapienza 3 facoltà · 3 esami
Goodfellow – Deep Learning a Sapienza: Quantum Computing And Neural Networks, Metodi di Intelligenza Artificiale per la Fisica, Generative Artificial Intelligence, prof. Panella e Rosato e altri
Facoltà: Ingegneria dell'informazione, informatica e statistica
Di cosa si tratta: Il machine learning e la distinzione tra apprendimento supervisionato e non supervisionato aprono la materia. Seguono il perceptron, la discesa del gradiente e la backpropagation, con applicazioni del machine learning e del deep learning ai sistemi elettrici ed elettronici. Gli approcci pratici all'uso di reti neurali completano il quadro.
Di cosa si tratta: Concetti fondamentali e metodi del Machine Learning, in venti ore, e moderne tecniche di Deep Learning basate su reti neurali differenziabili, in dodici ore. Tra gli argomenti figurano introduzione al ML, elementi base di python, numpy, scipy e matplotlib e statistica; sono previste 28 ore di laboratorio computazionale di tipo hands-on.
Di cosa si tratta: Teoria della probabilità e algebra lineare per i modelli generativi, ottimizzazione e teoria dell'informazione costituiscono i fondamenti. Seguono architetture di deep learning e meccanismo di attenzione, con reti convoluzionali e transformer, apprendimento contrastivo, CLIP e autoencoder (VAE, ELBO), fino ai modelli per la generazione di immagini come VQ-VAE e reti generative avversarie.
Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Frequenza consigliata · Letture e articoli scientifici di riferimento (VAE, GAN, modelli di diffusione, transformer, LLM, RAG, JEPA, modelli multimodali) sono elencati, insieme alle dispense e ai materiali del corso, sul sito ufficiale dell'insegnamento:
Di cosa si tratta: Il potenziale di membrana e il ruolo delle principali specie ioniche introducono la cellula eccitabile e il potenziale d'azione, con l'equivalente elettrico della cellula. Seguono il modello di Hodgkin-Huxley e la sua versione semplificata a due variabili di stato, il modello di FitzHugh-Nagumo e i modelli integrate and fire, con analisi della frequenza di scarica.
Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Dispense fornite dal docente. Questo materiale sarà caricato sulla piattaforma per il repository del materiale didattico messo a disposizione dall'Università.
Di cosa si tratta: Reti neurali e deep learning si studiano a partire dal loro tipico meccanismo di addestramento, l'algoritmo di backpropagation. Vengono discussi i principali tipi di reti, feed forward, convoluzionali e ricorrenti, con esempi di architetture utili per elaborazione di immagini, localizzazione, segmentazione, trasferimento di stile ed elaborazione del testo, e tecniche per visualizzare il comportamento delle unità neurali nascoste.
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.
Strumenti da tenere accanto ai libri d'esame, oltre a quelli indicati dal docente.
Consigliato Manuale di Python
Link affiliati Amazon di ricerca: il prezzo per te non cambia.
Domande frequenti su Goodfellow – Deep Learning
Per quale esame serve Goodfellow – Deep Learning?
È indicato per Quantum Computing And Neural Networks, Metodi di Intelligenza Artificiale per la Fisica, Generative Artificial Intelligence, Deep Learning a Sapienza, Bologna, dai docenti Massimo Panella, Antonello Rosato, Stefano Giagu, Fabrizio Silvestri. A.a. 2026/2027.
Quali libri indica il prof. Massimo Panella per Quantum Computing And Neural Networks?
Per Quantum Computing And Neural Networks (Sapienza) il prof. Massimo Panella indica Goodfellow – Deep Learning; l'elenco completo dei testi, obbligatori e facoltativi, è nella sezione «Chi lo adotta» di questa pagina.
Qual è il prezzo migliore di Goodfellow – Deep Learning?
Il comparatore prezzi di questa pagina mette a confronto Amazon, IBS e Libraccio, nuovo e usato: su Amazon il prezzo aggiornato è nella scheda del negozio.
Quanto tempo serve per studiare Goodfellow – Deep Learning?
≈ 8,5 settimane: il tempo è calcolato sulle pagine del libro e sui crediti dell'esame.
Qual è l'ISBN di Goodfellow – Deep Learning?
L'ISBN è 9789732345528 (editore [Alanna Maldonado]).
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 ›
Come leggere questi datiCome è calcolata la difficoltà ›
Crediti (CFU)
50%
1 CFU = 25 ore di studio (dato ufficiale). Più crediti, più ore.
Densità di lettura
50%
pagine dei libri indicati divisi per i CFU (pagine dalla scheda SBN; se non note, una stima di 400 pagine a libro).
Ogni esame si confronta solo con quelli della sua area (scientifico-tecnica, umanistica, giuridico-sociale, sanitaria, economica): un esame di lettere non viene misurato con matematica. Il numero 1-10 è la posizione dell'esame nella sua area; per il libro si fa la media degli esami che lo adottano. Non contano anno di corso, laurea triennale o magistrale e lunghezza del programma: non dicono quanto si studia. È una stima del carico, non una difficoltà misurata.
Atenei e facoltà in ordine di diffusione. Per ogni esame: docente, corso di laurea, facoltà e il confronto con gli altri libri che indica.
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.
Questo sito usa solo strumenti tecnici (nessun cookie di profilazione). I link ai negozi sono link di affiliazione. Cookie policy · Privacy
Libri UniversitariZoom 100%