Programma

• Introduzione e Ripasso
  • Ripasso di Python e librerie software
  • Ripasso di Machine/Deep Learning
  • LAB: Usare CoLab per eseguire esperimenti
• Esperimenti di Machine Learning Classico
  • La libreria Scikit-Learn
  • Classificazione (SVC, KNN, Decision Trees, ecc.)
  • Clustering (K-Means, Hierarchical, DBSCAN, ecc.)
• Dettagli tecnici per addestrare DNNs
  • Funzioni di attivazione
  • Funzioni di Loss
  • Ottimizzazione & calcolo automatico del gradiente
• Il framework PyTorch
  • LAB: Ottimizzazione di funzioni in PyTorch
  • LAB: Primo esperimento con DNN: Multi-Layer Perceptron
  • LAB: Secondo esperimento con DNN: reti ricorrenti
• Transformer
  • Transformer: caratteristiche e variazioni
  • Architetture di BERT & GPT
  • Pre-Training e Fine-tuning di un trasformer
  • LAB: Fine-tuning di BERT utilizzando il benchmark GLUE
  • Fine-tuning utilizzando Adapters (LoRA)
• LLM Generativi
  • Prompting LLM
  • Retrieval Augmented Generation
• Prospettive