Libri UniversitariZoom 100%

Prof. Andrea Asperti: i libri dei suoi insegnamenti

Scheda docente sul sito dell’ateneo ›
Insegnamenti trovati: 5
Bologna 5 insegnamenti
Facoltà: Scienze

Prof. Andrea Asperti: Deep Learning

5,4difficoltà
Bologna · Facoltà: Scienze · Informatica (LM-18)
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.

Dettagli corso

2º annoCorso: LM-18
CFU: 6Canale: Unico
🕒 Orario lezioni
  • Mar9–11AULA E1
  • Gio16–18AULA E1

Tempo di studio e official info

Tempo consigliato per preparare l’esame: meno di 1 settimana
Altri puntatori a material on line saranno forniti ad ogni lezione, in aggiunta alle slides del corso.
Dati verificati il 02/10/2026

Libri indicati per la materia

Goodfellow – Deep LearningISBN 9789732345528
Tempo di studio del libro≈ 8,5 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
787 pagine
Difficoltà
5,4
StrumentiPer questo esame ti serve anche

Strumenti da tenere accanto ai libri d'esame, oltre a quelli indicati dal docente.

Consigliato
Manuale di Python
Cerca su Amazon

Link affiliati Amazon di ricerca: il prezzo per te non cambia.

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. Andrea Asperti: Introduzione All'Apprendimento Automatico

5,4difficoltà
Bologna · Facoltà: Scienze · Informatica (L-31)
Di cosa si tratta: Tecniche tradizionali di machine learning, basate su una classe parametrica di modelli, su una funzione di loss per confrontarli e sull'ottimizzazione dei parametri per cercare il modello migliore. Importanza dell'approccio probabilistico e delle differenze tra i modelli, poi introduzione alle reti neurali e al deep learning.

Dettagli corso

3º annoCorso: L-31
CFU: 6Canale: Unico
🕒 Orario lezioni
  • Gio13–15AULA M1 C. ANDREATTA
  • Ven13–15AULA G1

Tempo di studio e official info

Tempo consigliato per preparare l’esame: meno di 1 settimana
Dati verificati il 02/10/2026

Libri indicati per la materia

First Part – Mathematics for Machine Learning, by DeisenrothISBN 9781108455145
Tempo di studio del libro≈ 4 settimane
Obbligatorietà
Facoltativo
Adottato in
2 materie
Tipo
Manuale
Pagine
371 pagine
Difficoltà
6,1
Domande possibili all’esame
  1. Qual è la differenza tra apprendimento supervisionato e apprendimento non supervisionato?
  2. Che cosa si intende per compromesso tra bias e varianza in un modello predittivo?
  3. Come si riconosce l'overfitting dall'andamento dell'errore sui dati di validazione?
  4. In che modo la validazione incrociata stima la capacità di generalizzazione di un modello?
  5. Come funziona la regressione lineare e quale criterio minimizza?
  6. Che cosa fa l'algoritmo di discesa del gradiente per ottimizzare una funzione di costo?
  7. Quando la regressione logistica è preferibile alla regressione lineare per la classificazione?
  8. Come opera l'algoritmo k-NN per assegnare la classe a un nuovo esempio?
  9. Quali criteri guidano la costruzione di un albero decisionale?
  10. Perché il classificatore Naive Bayes assume l'indipendenza condizionata delle feature?
  11. Come agisce una macchina a vettori di supporto per separare due classi?
  12. Quali metriche di valutazione si usano per un problema di classificazione sbilanciato?
  13. Che cosa rappresenta la curva ROC e come si interpreta l'area sottesa?
  14. In che modo l'algoritmo k-means raggruppa i dati in cluster?
  15. Come la PCA riduce la dimensionalità di un insieme di dati?
  16. Quale ruolo hanno le funzioni di attivazione in una rete neurale?
  17. Perché la normalizzazione dei dati è spesso necessaria prima dell'addestramento?
  18. Come si divide un insieme di dati in training, validazione e test?
  19. Che cosa misura la precisione e che cosa misura il richiamo di un classificatore?
  20. In che modo la regolarizzazione limita la complessità di un modello lineare?

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

Scorri di lato: 2 insegnamenti →
Facoltà: Ingegneria e architettura

Prof. Andrea Asperti: Deep Learning

5,4difficoltà
Bologna · Facoltà: Ingegneria e architettura · Automation Engineering (LM-25)
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.

Dettagli corso

2º annoCorso: LM-25
CFU: 6Canale: Unico

Tempo di studio e official info

Tempo consigliato per preparare l’esame: meno di 1 settimana
Per ogni lezione verrano forniti puntatori specifici a materiale disponibileon line, in aggiunta alle slides del corso.
Dati verificati il 02/10/2026

Libri indicati per la materia

I.Goodfellow, Y.Bengio, A.Courville Deep Learning . MIT PressISBN 9789732345528
Tempo di studio del libro≈ 8,5 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
787 pagine
Difficoltà
5,4
StrumentiPer questo esame ti serve anche

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 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. Andrea Asperti: Deep Learning

5,4difficoltà
Bologna · Facoltà: Ingegneria e architettura · Ingegneria elettronica (LM-29)
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.

Dettagli corso

2º annoCorso: LM-29
CFU: 6Canale: Unico

Tempo di studio e official info

Tempo consigliato per preparare l’esame: meno di 1 settimana
Per ogni lezione verrano forniti puntatori specifici a materiale disponibileon line, in aggiunta alle slides del corso.
Dati verificati il 02/10/2026

Libri indicati per la materia

I.Goodfellow, Y.Bengio, A.Courville Deep Learning . MIT PressISBN 9789732345528
Tempo di studio del libro≈ 8,5 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
787 pagine
Difficoltà
5,4
StrumentiPer questo esame ti serve anche

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 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. Andrea Asperti: Machine Learning And Deep Learning I.C.

9,5difficoltà
Bologna · Facoltà: Ingegneria e architettura · Automation Engineering (LM-25)
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.

Dettagli corso

2º annoCorso: LM-25
CFU: 12Canale: Unico

Tempo di studio e official info

Tempo consigliato per preparare l’esame: meno di 1 settimana
Per ogni lezione verrano forniti puntatori specifici a materiale disponibileon line, in aggiunta alle slides del corso.
Dati verificati il 02/10/2026

Libri indicati per la materia

I.Goodfellow, Y.Bengio, A.Courville Deep Learning . MIT PressISBN 9789732345528
Tempo di studio del libro≈ 8,5 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
787 pagine
Difficoltà
9,5
StrumentiPer questo esame ti serve anche

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 possibili all’esame
  1. Che cosa distingue il machine learning dal deep learning nella pratica?
  2. Come si divide un insieme di dati in training, validation e test?
  3. Quale differenza c'è tra classificazione e regressione come compiti di apprendimento?
  4. Come si evita il sovradattamento in una rete neurale profonda?
  5. Che cosa rappresenta la funzione di perdita e come guida l'addestramento?
  6. Come funziona la retropropagazione dell'errore nell'addestramento di una rete?
  7. Quali metriche si usano per valutare un modello di classificazione sbilanciato?
  8. In che modo le reti convoluzionali sfruttano la struttura locale delle immagini?
  9. Quale ruolo hanno le funzioni di attivazione nella capacità di una rete?
  10. Come si applica il dropout come tecnica di regolarizzazione?
  11. Quali vantaggi offrono le reti ricorrenti per dati sequenziali?
  12. Come si sceglie il tasso di apprendimento in un algoritmo di discesa del gradiente?
  13. Che cosa si intende per trasferimento di apprendimento e quando è utile?
  14. Come si interpreta una matrice di confusione per un modello multiclasse?
  15. In che modo la normalizzazione dei dati aiuta la convergenza dell'addestramento?
  16. Quali sono i limiti di un modello di apprendimento quando i dati sono scarsi?
  17. Come si confrontano modelli di complessità diversa su un problema di regressione?
  18. Che cosa significa generalizzazione e come si misura in pratica?
  19. Quale ruolo ha la scelta dell'architettura nella qualità della predizione?
  20. Come si documenta un esperimento di apprendimento automatico perché sia riproducibile?

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

Scorri di lato: 3 insegnamenti →

Domande frequenti Libri, programma ed esami del prof. Andrea Asperti a Bologna

Che libro usa il prof. Andrea Asperti per Deep Learning a Bologna?

Per Deep Learning (Canale unico) indica come obbligatorio: nessun testo obbligatorio. Facoltativi: Goodfellow – Deep Learning.

Quanto è impegnativo Deep Learning?

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

Che libro usa il prof. Andrea Asperti per Introduzione All'Apprendimento Automatico a Bologna?

Per Introduzione All'Apprendimento Automatico (Canale unico) indica come obbligatorio: nessun testo obbligatorio. Facoltativi: First Part – Mathematics for Machine Learning, by Deisenroth.

Quanto è impegnativo Introduzione All'Apprendimento Automatico?

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

Che libro usa il prof. Andrea Asperti per Deep Learning a Bologna?

Per Deep Learning (Canale unico) indica come obbligatorio: nessun testo obbligatorio. Facoltativi: I.Goodfellow, Y.Bengio, A.Courville Deep Learning . MIT Press.

Quanto è impegnativo Deep Learning?

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

Che libro usa il prof. Andrea Asperti per Deep Learning a Bologna?

Per Deep Learning (Canale unico) indica come obbligatorio: nessun testo obbligatorio. Facoltativi: I.Goodfellow, Y.Bengio, A.Courville Deep Learning . MIT Press.

Quanto è impegnativo Deep Learning?

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

Che libro usa il prof. Andrea Asperti per Machine Learning And Deep Learning I.C. a Bologna?

Per Machine Learning And Deep Learning I.C. (Canale unico) indica come obbligatorio: nessun testo obbligatorio. Facoltativi: I.Goodfellow, Y.Bengio, A.Courville Deep Learning . MIT Press.

Quanto è impegnativo Machine Learning And Deep Learning I.C.?

12 CFU, difficoltà stimata 9.5 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.