Università Roma Tre

Introduzione all’Intelligenza Artificiale e campi di applicazione
Principi teorici e basi matematiche dell'Intelligenza Artificiale
Principali algoritmi di Intelligenza Artificiale
Reti neurali supervisionate: il percettrone multistrato (MLP) e matrici dei pesi sinaptici
Applicazione di un MLP in Matlab e Python per interpolazione ed approssimazione (regressione non lineare).
Configurazione di un server esterno per la programmazione a basso livello
Realizzazione di un MLP in C/C++ from scratch
Reti neurali convolutive (CNN): progettazione in Matlab e Python
Realizzazione di una CNN in C/C++ from scratch
Reti neurali ricorsive (RNN): progettazione in Matlab e Python
Realizzazione di una RNN in C/C++ from scratch
Reti neurali generative avversarie (GAN): progettazione in Matlab e Python
Realizzazione di una GAN in C/C++ from scratch
Reti neurali non supervisionate
Reti neurali con apprendimento a rinforzo

Dive into deep learning
https://d2l.ai/

Introduzione alla teoria dell’ottimizzazione
Ottimizzazione non-lineare: il problema dei minimi locali
Preparazione dei dati per un corretto addestramento del sistema neurale
Addestramento supervisionato: algoritmo di backpropagation per il calcolo del gradiente della funzione di errore di un MLP
Realizzazione dell’algoritmo di backpropagation in C/C++ from scratch
Algoritmo di addestramento a discesa del gradiente (Gradient Descent)
Realizzazione dell’algoritmo Gradient Descent in C/C++ from scratch
Algoritmo di addestramento a discesa stocastica del gradiente (Stochastic Gradient Descent)
Realizzazione dell’algoritmo Stochastic Gradient Descent in C/C++ from scratch
Algoritmo di addestramento Levenberg-Marquardt
Realizzazione dell’algoritmo Levenberg-Marquardt in C/C++ from scratch
Addestramento con algoritmi genetici e swarm intelligence
Addestramento non supervisionato
Addestramento a rinforzo

Dive into deep learning
https://d2l.ai/