Libro adottato a Cagliari, Trieste, a.a. 2026/2027 · 4 canali
«Simon – Prince» è adottato per Deep Learning (Fisica – sede di Trieste, Sede di Trieste – Trieste); per Deep Learning dal prof. Mirko Marras (Informatica Applicata e Data Analytics – sede di Cagliari – Cagliari); per Deep Learning dal prof. Antonio Emanuele Cinà (Mathematics – sede di Trieste, Scienze Statistiche e Attuariali – sede di Trieste – Trieste).
Come lo indica il docente: Understanding deep learning, Simon J.D. Prince, To be published by MIT Press · Understanding Deep Learning by Simon J.D. Prince (libro online gratuito, codebase gratuita, 2023)
Chi lo adotta
Trieste · Deep Learning – docente non ancora indicato (canale unico)Fisica – sede di Trieste, Sede di Trieste · Laurea magistrale (LM-17) · esame facoltativo · Scienze e Tecnologie Quantistiche / 1º anno · 2º semestre · Scienze e Tecnologie Quantistiche · 6 CFU
Cagliari · Deep Learning – Prof. Mirko Marras (canale unico)Informatica Applicata e Data Analytics – sede di Cagliari · Laurea triennale (L-31) · 2º anno · 2º semestre · 9 CFU
Trieste · Deep Learning – Prof. Antonio Emanuele Cinà (canale unico)Mathematics – sede di Trieste · Laurea magistrale (LM-40) · 2º anno · 2º semestre · 6 CFU / 1º anno · 2º semestre · Computational Mathematics and Modelling · 6 CFU
Trieste · Deep Learning – Prof. Antonio Emanuele Cinà (canale unico)Scienze Statistiche e Attuariali – sede di Trieste · Laurea magistrale (LM-83) · esame facoltativo · 6 CFU
Corso di laurea: Fisica – sede di Trieste, Sede di Trieste · Laurea magistrale (LM-17) · esame facoltativo · Scienze e Tecnologie Quantistiche / 1º anno · 2º semestre · Scienze e Tecnologie Quantistiche · 6 CFU
Argomenti del programma: The course provides an extensive treatment of deep learning starting from the basics to advanced topics. - Introduction to deep learning - Artificial neurons, shallow networks, deep networks - Loss functions - Gradient descent and its variants - Backpropagation - Regularization - Convolutional neural networks - Recurrent neural networks - Attention models and transformers - Introduction to deep unsupervised learning…
Le principali risorse di riferimento per completare in maniera brillante l';insegnamento sono i materiali, tra cui slides ed esercizi, forniti dal docente nella piattaforma Moodle.
La seguente selezione di risorse supplementari è utile ma non indispensabile per complementare i principali riferimenti ed è rivolta a coloro i quali desiderano approfondire i temi affrontati, durante o dopo l'insegnamento, in base ai…
Argomenti del programma: I contenuti del corso sono suddivisi in due parti principali, ciascuna articolata in moduli illustrati mediante lezioni interattive, esercitazioni e attività in laboratorio. Parte P01 Supervised Deep Learning: - Settimana S01 Deep Learning on Tables: Studio dei principali compiti su dati tabulari, con approfondimento sulla rappresentazione dei dati, sui livelli densamente connessi, sulle funzioni di attivazione e…
Corso di laurea: Mathematics – sede di Trieste · Laurea magistrale (LM-40) · 2º anno · 2º semestre · 6 CFU / 1º anno · 2º semestre · Computational Mathematics and Modelling · 6 CFU
Argomenti del programma: The course provides an extensive treatment of deep learning starting from the basics to advanced topics. - Introduction to deep learning - Artificial neurons, shallow networks, deep networks - Loss functions - Gradient descent and its variants - Backpropagation - Regularization - Convolutional neural networks - Recurrent neural networks - Attention models and transformers - Introduction to deep unsupervised learning…
Argomenti del programma: The course provides an extensive treatment of deep learning starting from the basics to advanced topics. - Introduction to deep learning - Artificial neurons, shallow networks, deep networks - Loss functions - Gradient descent and its variants - Backpropagation - Regularization - Convolutional neural networks - Recurrent neural networks - Attention models and transformers - Introduction to deep unsupervised learning…
Libri Universitari