Continual Learning per lo Sviluppo di Sistemi AI Adattabili

– Comprendere e analizzare le limitazioni della paradigmi di apprendimento statico delle DNN.
– Comprendere l’importanza del Continual Learning (Apprendimento Continuo) nel contesto dell’intelligenza artificiale.
– Conoscere i diversi scenari di Continual Learning, come il Domain Incremental, Class Incremental e Task Incremental.
– Applicare tecniche di regolarizzazione sui modelli all’avanguardia, come le Convolutional Neural Networks (CNNs) e i Transformer.
– Comprendere le recenti scoperte e le sfide aperte nel campo del Continual Learning.

Principali argomenti trattati nel corso:

• paradigmi di apprendimento statico
• limitazioni delle DNN in contesti reali
• il problema di catastrophic forgetting
• scenari di continual learning
• tecniche exemplar-free e la tutela della privacy
• tecniche di regolarizzazione
• addestramento continuo a partire da modelli pre-addestrati
• apprendimento continuo e Green AI.

Requisiti per partecipare al corso

• Matematica: gli studenti dovrebbero conoscere e saper applicare concetti e tecniche di analisi multivariata e algebra lineare.
• Programmazione: gli studenti dovrebbero avere conoscenze e competenze almeno basilari di programmazione in Python.
• Deep Learning: gli studenti dovrebbero avere conoscenza di base e esperienza con Deep Learning a livello teorico e pratico.

Dr. Simone Magistri, PhD

prof. Andrew D. Bagdanov

Corso online

Il corso è attivabile, su richiesta, in tutti i mesi dell’anno.