• Introduzione al Deep Learning: Panoramica della disciplina, del suo impatto e dei concetti chiave.
• Algebra lineare: strumenti matematici di base per il deep learning, tra cui vettori, matrici e algebra lineare.
• Fondamenti di Machine Learning: Fondamenti del Machine Learning, tipi di apprendimento e introduzione ai principali algoritmi.
• Apprendimento basato sui gradienti e backpropagation: Comprendere il meccanismo di addestramento delle reti neurali attraverso i gradienti e la retropropagazione.
• Reti Feed Forward: Reti di percettori multistrato, funzioni di attivazione.
• Reti neurali convoluzionali (CNN): Esplorazione delle CNN e delle loro applicazioni nell'elaborazione dei dati visivi.
• Regolarizzazione per l'apprendimento profondo: Tecniche per migliorare la generalizzazione della rete e prevenire l'overfitting.
• Reti neurali ricorrenti (RNN): Studio dettagliato delle reti progettate per elaborare dati sequenziali, come le RNN e le LSTM.
• Deep Transformers: Esplorazione dei modelli di Transformers, con particolare attenzione ad architetture come GPT e BERT in uso nel NLP.
• Tecniche di riduzione della dimensionalità: Metodi come PCA e t-SNE per ridurre la complessità dei dati preservandone i modelli essenziali.
• Autoencoder: Studio degli autoencoder per l'apprendimento non supervisionato e l'estrazione di features.
• Metodologia pratica: Le migliori pratiche nell'applicazione del deep learning, tra cui la preelaborazione dei dati, la selezione del modello, le strategie di addestramento e la valutazione.

Risultati di apprendimento:
Al termine di questo corso, gli studenti saranno in grado di:

• Comprendere e applicare la matematica di base per il deep learning.
• Progettare e implementare vari tipi di reti neurali.
• Valutare e migliorare i modelli di deep learning utilizzando tecniche avanzate.
• Applicare il deep learning a problemi pratici in diversi ambiti.