ID:
000977L
Durata (ore):
48
CFU:
6
SSD:
GEOMETRIA
Sede:
PESCARA
Url:
ECONOMICS AND BUSINESS ANALYTICS/INTELLIGENZA ARTIFICIALE PER LE IMPRESE Anno: 2
Anno:
2026
Course Catalogue:
Dati Generali
Periodo di attività
Secondo Semestre (11/02/2027 - 18/05/2027)
Syllabus
Obiettivi Formativi
Il corso è volto a fornire allo studente gli strumenti matematici di base per l’analisi, la comprensione e l’utilizzo critico dei principali modelli di deep learning. In particolare, tale obiettivo è correlato ai seguenti risultati di apprendimento.
Conoscenza e comprensione – L’insegnamento intende fornire allo studente conoscenze e competenze riferite ai concetti fondamentali e al linguaggio matematico proprio del deep learning. Dette conoscenze e competenze riguardano in particolare l’algebra lineare, il calcolo differenziale, l’ottimizzazione, la probabilità e la statistica applicate ai modelli di apprendimento automatico. Lo studente dovrà comprendere la struttura matematica delle reti neurali, il significato delle funzioni di perdita, il ruolo del gradiente, il funzionamento della backpropagation e i principali meccanismi che influenzano l’apprendimento e la generalizzazione.
Capacità di applicare conoscenza e comprensione – L’insegnamento intende favorire lo sviluppo della capacità di applicare gli strumenti matematici acquisiti all’analisi di semplici modelli di deep learning. Tale risultato si persegue attraverso un approccio didattico volto ad affiancare alla trattazione teorica esempi, esercizi e discussione di modelli concreti. La capacità di applicare conoscenza e comprensione si manifesta nella capacità dello studente di descrivere matematicamente una rete neurale, interpretare una funzione di perdita, calcolare o discutere gradienti, comprendere i passaggi essenziali della backpropagation, analizzare il ruolo degli iperparametri e valutare criticamente fenomeni quali overfitting, regolarizzazione e generalizzazione.
Autonomia di giudizio – Il corso intende sviluppare nello studente la capacità di valutare criticamente le scelte modellistiche e algoritmiche alla base dei sistemi di deep learning, con particolare riferimento al ruolo dei dati, alla complessità del modello, alla stabilità dell’apprendimento e ai limiti delle soluzioni ottenute.
Abilità comunicative – Lo studente dovrà acquisire la capacità di esporre con linguaggio matematico appropriato i principali concetti del corso, collegando formule, algoritmi e interpretazioni geometriche o probabilistiche.
Capacità di apprendimento – Il corso intende fornire allo studente le basi per affrontare autonomamente testi avanzati, articoli scientifici e documentazione tecnica relativi al machine learning e al deep learning.
Prerequisiti
Per agevolare la frequenza e l’apprendimento dei contenuti del corso è opportuno che gli studenti possiedano conoscenze di base di algebra lineare, analisi matematica e probabilità. In particolare, sono utili familiarità con vettori, matrici, derivate, gradienti, funzioni di più variabili, distribuzioni di probabilità e nozioni elementari di programmazione scientifica.
Non è richiesta una conoscenza preliminare approfondita del deep learning, che verrà introdotto durante il corso a partire dai suoi fondamenti matematici.
Metodi didattici
Lezioni frontali.
Esercitazioni.
Presentazione e discussione di esempi matematici e computazionali relativi a semplici modelli di deep learning.
Verifica Apprendimento
Conoscenza e comprensione – L’efficacia formativa dell’insegnamento è verificata attraverso una prova scritta e/o un colloquio orale individuale. La prova scritta consiste in esercizi e domande teoriche riferite ai principali argomenti del corso, con l’obiettivo di accertare la conoscenza degli strumenti matematici e la capacità dello studente di articolare in modo sintetico e corretto i concetti fondamentali.
Il colloquio orale individuale, quando previsto, consiste in domande volte ad approfondire alcuni dei temi del programma, anche tra quelli ricompresi nella prova scritta, con la finalità di verificare la capacità dello studente di analizzare aspetti più specifici e di collegare tra loro i diversi strumenti matematici utilizzati nel deep learning.
Capacità di applicare conoscenza e comprensione – Durante la prova d’esame il docente verifica inoltre la capacità dello studente di applicare le conoscenze acquisite all’analisi di semplici modelli di deep learning. In particolare, potranno essere richiesti esercizi o discussioni relativi alla rappresentazione matematica di una rete neurale, al calcolo di gradienti, all’applicazione della regola della catena, all’interpretazione di funzioni di perdita, al funzionamento della backpropagation, ai metodi di ottimizzazione e ai fenomeni di overfitting e regolarizzazione.
La valutazione dell’esame è espressa in trentesimi e tiene conto della correttezza matematica, della chiarezza espositiva, della capacità di applicare gli strumenti studiati e della capacità di collegare aspetti teorici, algoritmici e interpretativi.
Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento, Prof. Domenico Raucci..
Il colloquio orale individuale, quando previsto, consiste in domande volte ad approfondire alcuni dei temi del programma, anche tra quelli ricompresi nella prova scritta, con la finalità di verificare la capacità dello studente di analizzare aspetti più specifici e di collegare tra loro i diversi strumenti matematici utilizzati nel deep learning.
Capacità di applicare conoscenza e comprensione – Durante la prova d’esame il docente verifica inoltre la capacità dello studente di applicare le conoscenze acquisite all’analisi di semplici modelli di deep learning. In particolare, potranno essere richiesti esercizi o discussioni relativi alla rappresentazione matematica di una rete neurale, al calcolo di gradienti, all’applicazione della regola della catena, all’interpretazione di funzioni di perdita, al funzionamento della backpropagation, ai metodi di ottimizzazione e ai fenomeni di overfitting e regolarizzazione.
La valutazione dell’esame è espressa in trentesimi e tiene conto della correttezza matematica, della chiarezza espositiva, della capacità di applicare gli strumenti studiati e della capacità di collegare aspetti teorici, algoritmici e interpretativi.
Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento, Prof. Domenico Raucci..
Testi
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016.
M. P. Deisenroth, A. A. Faisal, C. S. Ong, Mathematics for Machine Learning, Cambridge University Press, 2020.
C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.
Ulteriori materiali bibliografici, dispense, articoli scientifici e risorse software saranno indicati durante il corso.
Contenuti
Il corso di Matematica per il Deep Learning descrive e approfondisce i principali strumenti matematici necessari per comprendere i moderni modelli di apprendimento automatico e, in particolare, le reti neurali profonde.
In particolare, vengono presi in esame: i concetti generali del deep learning come problema matematico di approssimazione e ottimizzazione; gli strumenti di algebra lineare per la rappresentazione di dati, parametri e trasformazioni; gli elementi di calcolo differenziale necessari per comprendere il ruolo del gradiente e della regola della catena; la formulazione matematica delle reti neurali feed-forward; le funzioni di perdita per problemi di regressione e classificazione; l’algoritmo di backpropagation; i principali metodi di ottimizzazione basati sul gradiente; gli elementi di probabilità e statistica utili per interpretare l’apprendimento; i concetti di generalizzazione, overfitting e regolarizzazione.
Il corso introduce inoltre alcune strutture matematiche ricorrenti nelle architetture profonde, quali convoluzioni, meccanismi di attenzione e rappresentazioni geometriche dei dati, con l’obiettivo di fornire allo studente una base rigorosa ma operativa per comprendere e utilizzare consapevolmente i modelli di deep learning.
Lingua Insegnamento
Italiano
Altre informazioni
E-mail: maurizio.parton@unich.it.
WhatsApp o Telegram: 349-5323-199.
Corsi
Corsi
ECONOMICS AND BUSINESS ANALYTICS
Laurea Magistrale
2 anni
No Results Found
Persone
Persone
Docenti di ruolo di Ia fascia
No Results Found