Skip to main content
If you continue browsing this website, you agree to our policies:
  • Condizioni di utilizzo e trattamento dei dati
Continue
x
e-Learning - UNIMIB
  • Home
  • My Media
  • More
Listen to this page using ReadSpeaker
 Log in
e-Learning - UNIMIB
Home My Media
Percorso della pagina
  1. Science
  2. Master Degree
  3. Informatica [F1802Q - F1801Q]
  4. Courses
  5. A.A. 2025-2026
  6. 2nd year
  1. Advanced Machine Learning
  2. Summary
Insegnamento Course full name
Advanced Machine Learning
Course ID number
2526-2-F1801Q151
Course summary SYLLABUS

Course Syllabus

  • Italiano ‎(it)‎
  • English ‎(en)‎
Export

Obiettivi

Questo corso avanzato di apprendimento automatico è rivolto in particolare agli studenti che hanno già familiarità con le basi dell'apprendimento automatico e desiderano rafforzare le loro conoscenze al fine di possedere capacità approfondite e ad ampio raggio in questo ambito. Il corso tratterà alcuni degli argomenti avanzati più importanti nell'apprendimento automatico come l'apprendimento deep e l'apprendimento per rinforzo, fornendone la teoria di base e con un particolare focus sulla modellizzazione e sull'implementazione pratica. Queste tecniche avanzate saranno applicate a una serie di applicazioni, tra cui: riconoscimento delle immagini, elaborazione del linguaggio naturale, sistemi di raccomandazione.

Conoscenza e comprensione
Lo studente acquisirà conoscenze avanzate nell’ambito dell’apprendimento automatico, con particolare attenzione all’apprendimento profondo (deep learning) e all’apprendimento per rinforzo (reinforcement learning). Verranno approfonditi i fondamenti teorici e i modelli matematici alla base di queste tecniche, unitamente alla comprensione delle principali architetture e algoritmi utilizzati nelle moderne applicazioni di intelligenza artificiale.

Capacità di applicare conoscenza e comprensione
Lo studente sarà in grado di modellare, implementare e ottimizzare sistemi di apprendimento automatico avanzato utilizzando framework software diffusi. Sarà inoltre capace di applicare tali modelli a diversi ambiti applicativi, come riconoscimento di immagini, elaborazione del linguaggio naturale e sistemi di raccomandazione, con attenzione alla qualità e all'efficienza dei risultati.

Autonomia di giudizio
Lo studente svilupperà la capacità critica necessaria per valutare le scelte progettuali e metodologiche adottate nei modelli di apprendimento automatico avanzato, comprendendone vantaggi e limiti in relazione ai contesti applicativi. Sarà inoltre in grado di interpretare i risultati ottenuti alla luce degli obiettivi e dei vincoli specifici del problema affrontato.

Abilità comunicative
Lo studente saprà presentare in modo chiaro ed efficace le soluzioni sviluppate, argomentandone le scelte progettuali e illustrandone i risultati attraverso strumenti di visualizzazione, report tecnici e discussione orale, utilizzando un linguaggio appropriato al contesto scientifico e professionale.

Capacità di apprendimento
Il corso fornirà allo studente gli strumenti teorici e pratici necessari per approfondire autonomamente temi di frontiera nel campo dell’apprendimento automatico, permettendo di aggiornare costantemente le proprie competenze in un ambito in continua evoluzione.

Contenuti sintetici

Introduzione al Deep Learning

Tecniche di ottimizzazione per l'addestramento di modelli deep

Reti neurali convoluzionali

Apprendimento della rappresentazione senza supervisione

Deep Learning per sequenze di dati

Cenni di Explainable AI

Programma esteso

Tecniche di apprendimento per di reti deep:

  • Funzioni obiettivo
  • Funzioni di attivazione
  • Regolarizzazione
  • Ottimizzazione basata sul gradiente

Focus su reti deep:

  • Autoencoders
  • Reti neurali convoluzionali
  • Reti ricorrenti e ricorsive
  • Transformers

Training paradigms:

  • Supervised learning
  • Unsupervised learning
  • Reinforcement learning
  • Self-supervised learning

Prerequisiti

Tecniche di base del machine learning

Modalità didattica

Il corso include una parte di lezioni teoriche che si terranno in classe e una parte di esercitazioni che si terranno in laboratorio e / o in classe e che richiederanno l'uso del PC. Entrambe le parti saranno basate sia su didattica erogativa (DE) che interattiva (DI).
L'implementazione pratica di casi studio richiederà la conoscenza di base dei linguaggi di programmazione R e Python.

Il corso sarà tenuto in inglese.

Materiale didattico

Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016. http://www.deeplearningbook.org

Francesco Archetti, Antonio Candelieri, Optimization and Data Science, SpringerBriefs, 2019

Rasmussen, Gaussian Processes for Machine Learning, the MIT press 2006.

Ulteriore materiale didattico sarà reso disponibile sulla piattaforma di e-learning.

Periodo di erogazione dell'insegnamento

Primo semestre

Modalità di verifica del profitto e valutazione

Sono previste due diverse modalità d'esame:

Modalità 1

1. Assignments [0-8 pt] + test scritti [0-10 pt]+ Progetto/Approfondimento [0-15pt] Questa modalità vale solo per il periodo di erogazione del corso ed è quindi rivolta a chi segue regolarmente il corso

  • Durante il corso saranno proposti alcuni assignments da risolvere individualmente. E' permessa solo la collaborazione di "Tipo 1" ovvero, la collaborazione è permessa ma il prodotto finale deve essere individuale. Gli studenti possono discutere l'assignment con altri compagni e lavorarci assieme ma le consegne devono essere individuali e originali, ogni studente deve consegnare prodotti di cui è l'unico autore. Copiare i file dei compagni non è permesso. Gli Assignment devono essere consegnati entro le date stabilite. Nessun assignment verrà considerato se consegnato oltre la scadenza.

  • 2 prove scritte in itinere che consistono in domande con risposte a scelta multipla e/o brevi definizioni, volte alla valutazione della conoscenza dei concetti fondamentali, e della conoscenza specifica dei modelli e delle tecniche presentate a lezione.

  • Il progetto/approfondimento dovrà essere svolto in gruppi di 2 o 3 persone e sarà valutato rispetto a:

– Un report strutturato

  • Una presentazione orale del progetto o dell'approfondimento volta anche a valutare le capacità di argomentazione.

Modalità 2

2. Esame Scritto [0-15 pt] + Progetto [0-15 pt]

  • L'esame scritto, sarà volto alla valutazione della conoscenza dei concetti fondamentali, la comprensione generale, la capacità di argomentazione e la conoscenza specifica dei modelli e delle tecniche presentate a lezione. Consisterà in domande a risposta chiusa e domande aperte.
  • Il progetto/approfondimento dovrà essere svolto in gruppi di 2 o 3 persone e sarà valutato rispetto a:

– Un report strutturato

  • Una presentazione orale del progetto o dell'approfondimento volta anche a valutare le capacità di argomentazione.

Orario di ricevimento

Su appuntamento

Export

Aims

This machine learning advanced course is aimed especially for students who are already familiar with the basics of machine learning and wish to strengthen their knowledge and explore important advanced topics in order to posses in-depth and wide range capabilities at this so important field.
The course will cover some of the most important advanced topics in machine learning such deep learning and reinforcement learning, with their underlying theory but also a focus on modeling and practical implementation.
These advanced techniques will be applied to a number of applications, including: image recognition, natural language processing, recommendation systems.

Knowledge and Understanding
Students will acquire advanced knowledge in the field of machine learning, with a particular focus on deep learning and reinforcement learning. The theoretical foundations and mathematical models underlying these techniques will be explored in depth, together with an understanding of the main architectures and algorithms used in modern artificial intelligence applications.

Applying knowledge and understanding
Students will be able to model, implement, and optimize advanced machine learning systems using popular software frameworks. They will also be able to apply these models to different application areas, such as image recognition, natural language processing, and recommendation systems, with a focus on the quality and efficiency of the results.

Making judgments
Students will develop the critical skills necessary to evaluate the design and methodological choices adopted in advanced machine learning models, understanding their advantages and limitations in relation to application contexts. They will also be able to interpret the results obtained in light of the specific objectives and the constraints of the problem addressed.

Communication skills
Students will be able to present the solutions they have developed clearly and effectively, explaining their design choices and illustrating the results through visualization tools, technical reports, and oral discussion, using language appropriate to the scientific and professional context.

Learning skills
The course will provide students with the theoretical and practical tools necessary to independently explore cutting-edge topics in the field of machine learning, allowing them to constantly update their skills in a rapidly evolving field.

Contents

Introduction to Deep Learning

Optimization techniques for training deep models

Convolutional Neural Networks

Unsupervised representation learning

Deep Learning for data sequences

Elements of explainable AI

Detailed program

Training Deep Networks:

  • Objective functions
  • Activation Functions
  • Regularization
  • Gradient-based optimization

Focus on Deep Networks:

  • Autoencoders
  • Convolutional Neural Networks
  • Recurrent and Recursive Networks
  • Transformers

Paradigmi di apprendimento:

  • Supervised learning
  • Reinforcement learning
  • Unsupervised learning
  • Self-supervised learning

Prerequisites

Basic Machine Learning techniques

Teaching form

The course includes a part of theoretical lessons that will be held in the classroom and a part of exercises that will be held in the laboratory and / or classroom and which will require the use of your PC (or the ones available at the University's computer labs). The two parts will be based both on delivery mode and interactive mode.
The practical implementation of case studies will require the basic knowledge of R and Python programming languages.

The course will be in English.

Textbook and teaching resource

Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016. http://www.deeplearningbook.org

Rasmussen, Gaussian Processes for Machine Learning, the MIT press 2006.

Francesco Archetti, Antonio Candelieri, Optimization and Data Science, SpringerBriefs, 2019

Further resource material will be made available on the e-learning platform.

Semester

First semester

Assessment method

There are two mutually exclusive exam modalities

1. Assignments [0-8 pt] + written test [0-10 pt] +Project/In Depth Study[0-15 pt]

  • Along the course a number of assignments will be proposed to be resolved individually. Assignment must be delivered on the established date. No assignment will be considered after deadline.

  • Two written tests, consisting closed questions or brief definitions, aimed at evaluating: Knowledge of Fundamental Concepts, Overall Understanding, Knowledge of specific models and methods about the course contents.

  • A project/in depth study to be done in groups of 2/3 students. The project will be evaluated according to the following criteria:

  • A structured report

  • Oral presentation of the project/"In depth study" aimed also at evaluating argumentation ability

2. Written exam [0-15pt] + Project/In Depht Study [0-15pt]

  • A written exam, consisting of both closed and open questions, aimed at evaluating: Knowledge of Fundamental Concepts, Overall Understanding, Knowledge of specific models and methods about the course contents.

  • A project work/in depth study to be done in groups of 2/3 students. The project will be evaluated according to the following criteria:

  • A structured report

  • Oral presentation of the project/"In depth study" aimed also at evaluating argumentation ability

Office hours

by appointment

Enter

Key information

Field of research
INF/01
ECTS
6
Term
First semester
Activity type
Mandatory to be chosen
Course Length (Hours)
48
Degree Course Type
2-year Master Degreee
Language
English

Staff

    Teacher

  • SB
    Simone Bianco
  • VM
    Vincenzina Messina

Students' opinion

View previous A.Y. opinion

Bibliography

Find the books for this course in the Library

Enrolment methods

Manual enrolments

You are not logged in. (Log in)
Policies
Get the mobile app
Powered by Moodle
© 2025 Università degli Studi di Milano-Bicocca
  • Privacy policy
  • Accessibility
  • Statistics