Università Roma Tre

Introduzione al Deep Learning e ai principali paradigmi dell’Intelligenza Artificiale moderna. Fondamenti delle reti neurali profonde: neuroni artificiali, funzioni di attivazione, ottimizzazione e tecniche di addestramento. Architetture neurali discriminative e generative.

Convolutional Neural Networks (CNN) per l’analisi di immagini e segnali: convoluzione, pooling, feature extraction e principali applicazioni in computer vision. Embeddings e rappresentazioni distribuite dei dati.

Modelli neurali per il Natural Language Processing e introduzione ai Transformer: meccanismi di attention, tokenizzazione, Large Language Models (LLM), pre-training e utilizzo dei modelli generativi per la produzione di testo e contenuti multimodali. Tecniche moderne basate su prompting e interazione con modelli generativi.

Introduzione ai modelli generativi moderni per immagini e testo, con particolare riferimento ai modelli autoregressivi e ai diffusion models. Applicazioni alla generazione di immagini, contenuti multimediali e sistemi conversazionali intelligenti.

Paradigmi recenti basati su agenti intelligenti e orchestrazione di strumenti: architetture agent-based, utilizzo di tool esterni, memoria e pianificazione di task complessi. Introduzione ai sistemi multi-agente e ai concetti fondamentali di decision making e reinforcement learning per sistemi autonomi basati su AI.

Applicazioni del Deep Learning in differenti domini, tra cui computer vision, speech recognition, natural language processing, machine translation e sistemi autonomi intelligenti.

Attività pratiche in linguaggio Python mediante framework moderni per il Deep Learning, finalizzate alla progettazione, addestramento, valutazione e utilizzo di modelli neurali discriminativi e generativi.

Dispense a cura del docente.