Deep Learning 2026/2027

Sezione I: Apprendimento automatico avanzato e apprendimento profondo.
Apprendimento profondo e intelligenza artificiale. Metodi supervisionati.
Teoria dell'apprendimento statistico: apprendibilità tramite PAC. Apprendimento basato su kernel. Kernel dipendenti da task.
Apprendimento profondo con reti neurali: percettroni, percettroni multistrato, reti neurali profonde. Elaborazione delle immagini con architetture di apprendimento profondo.
Sezione II: Elaborazione neurale del linguaggio.
Modelli neurali per l'elaborazione del linguaggio. Modelli linguistici e reti ricorrenti. Reti neurali basate sull'attenzione. Trasformatori: BERT. Introduzione alle principali piattaforme software per lo sviluppo di software di apprendimento profondo: PyTorch.
Modelli linguistici di grandi dimensioni. Prompting e ottimizzazione delle istruzioni. Modelli neurali per l'inferenza testuale: dall'apprendimento per pochi scatti al prompting.

Sezione III: Applicazioni di apprendimento profondo.
Riconoscimento di oggetti visivi e didascalia automatica delle immagini.
Estrazione di informazioni. Rilevamento di fake news.
Estrazione di opinioni e analisi del sentiment. Analisi della reputazione del marchio e marketing.
Feedback

---

Fonte: GOMP