Partner erogante
Offerente
Descrizione corso
Il corso introduce ai meccanismi di base dell’AI generativa e ai principali modelli utilizzati. Include fondamenti di probabilità e statistica, approfondendo Variational Autoencoders, Generative Adversarial Networks, Diffusion Models e Latent Diffusion Models, con un focus sulla generazione di dati attraverso tecniche avanzate di deep learning.
Conoscere i meccanismi di base della AI generativa e i principali modelli
Principali argomenti trattati nel corso:
- Fondamenti di Probabilità e Statistica
- Variational Autoencoders
- Generative Adversarial Networks
- Diffusion Models
- Latent Diffusion Models
- Generazione Multimodale.
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.
prof. Lorenzo Seidenari
Corso online
Il corso è attivabile, su richiesta, tutti i mesi dell’anno.
Dettagli del corso
Ore di docenza
Posti disponibili
Lingua/e di docenza
Lingua/e delle slide
Uso di piattaforme online per esercitazioni o questionari
Materiali di studio e di training
Testi consigliati:
Bengio, Yoshua, Ian Goodfellow, and Aaron Courville. Deep learning. Vol. 1. Cambridge, MA, USA: MIT press, 2017.
Zhang, Aston, et al. “Dive into deep learning.” arXiv preprint arXiv:2106.11342 (2021).[pytorch version]
Tomczak, Jakub M. “Why Deep Generative Modeling?.” Deep Generative Modeling. Cham: Springer International Publishing, 2021. 1-12.
Materiali di training:
Slides, Notebook Jupyter/Google Colab
Modalità di valutazione
Nessuna