Sapienza Università di Roma · Ingegneria dell'informazione, informatica e statistica · libri consigliati, cosa studiare e orario delle lezioni, a.a. 2026/2027
Generative Artificial Intelligence Canale unico
Ingegneria dell'informazione, informatica e statistica · 1º anno · 2º semestre · 6 CFU · apri nel catalogo
Letture e articoli scientifici di riferimento (VAE, GAN, modelli di diffusione, transformer, LLM, RAG, JEPA, modelli multimodali) sono elencati, insieme alle dispense e ai materiali del corso, sul sito ufficiale dell'insegnamento:
Argomenti del programma: Parte I - Fondamenti 1. Teoria della probabilità e algebra lineare per i modelli generativi. 2. Ottimizzazione e teoria dell'informazione. 3. Architetture di deep learning e meccanismo di attenzione (reti convoluzionali, transformer). 4. Apprendimento contrastivo, CLIP e autoencoder (VAE, ELBO). Parte II - Generative AI per le immagini 5. VQ-VAE e Generative Adversarial Networks (GAN): training avversario. 6.
Natural Language Processing And Text Mining Canale unico
Ingegneria dell'informazione, informatica e statistica · esame facoltativo · 6 CFU · apri nel catalogo
Note e lavori scientifici sugli argomenti trattati, suggeriti dal docente.
Argomenti del programma: Parte 1 - Ranking e similarity search 1. Problemi di interesse. Ranking di documenti. Link analysis: rivisitazione del Pagerank come sistema di ranking indipendente dalle query. Link analysis dipendente dal contesto: Topic sensitive e Personalized Pagerank. Hub e autorità: l'algoritmo HITS. 2. Similarity search in collezioni di dati ad elevata dimensionalità: ricerca dei Top-k e nearest-neighbour (approssimati).
Generative Artificial Intelligence Canale unico
Ingegneria dell'informazione, informatica e statistica · esame facoltativo · 6 CFU · apri nel catalogo
Letture e articoli scientifici di riferimento (VAE, GAN, modelli di diffusione, transformer, LLM, RAG, JEPA, modelli multimodali) sono elencati, insieme alle dispense e ai materiali del corso, sul sito ufficiale dell'insegnamento:
Argomenti del programma: Parte I - Fondamenti 1. Teoria della probabilità e algebra lineare per i modelli generativi. 2. Ottimizzazione e teoria dell'informazione. 3. Architetture di deep learning e meccanismo di attenzione (reti convoluzionali, transformer). 4. Apprendimento contrastivo, CLIP e autoencoder (VAE, ELBO). Parte II - Generative AI per le immagini 5. VQ-VAE e Generative Adversarial Networks (GAN): training avversario. 6.
Applicazioni Informatiche del Machine Learning Canale unico
Ingegneria dell'informazione, informatica e statistica · 3º anno · 2º semestre · 6 CFU · apri nel catalogo
Il docente non ha ancora pubblicato i testi per questo canale.
Cosa indica di studiare il docente
Argomenti del programma: 1. Introduzione alle Applicazioni di Machine Learning: Panoramica delle varie applicazioni del machine learning, con un focus particolare sui problemi che il corso intende affrontare: computer vision, natural language processing, recommender systems e retrieval augmented generation. 2. Computer Vision: Studio di tecniche avanzate per il riconoscimento di immagini, la segmentazione e l'analisi video.
Generative Artificial Intelligence Canale unico
Ingegneria dell'informazione, informatica e statistica · 1º anno · 2º semestre · 6 CFU · apri nel catalogo
Letture e articoli scientifici di riferimento (VAE, GAN, modelli di diffusione, transformer, LLM, RAG, JEPA, modelli multimodali) sono elencati, insieme alle dispense e ai materiali del corso, sul sito ufficiale dell'insegnamento:
Argomenti del programma: Parte I - Fondamenti 1. Teoria della probabilità e algebra lineare per i modelli generativi. 2. Ottimizzazione e teoria dell'informazione. 3. Architetture di deep learning e meccanismo di attenzione (reti convoluzionali, transformer). 4. Apprendimento contrastivo, CLIP e autoencoder (VAE, ELBO). Parte II - Generative AI per le immagini 5. VQ-VAE e Generative Adversarial Networks (GAN): training avversario. 6.
Applicazioni Informatiche del Machine Learning Canale unico
Ingegneria dell'informazione, informatica e statistica · 3º anno · 1º semestre · 6 CFU · apri nel catalogo
Il docente non ha ancora pubblicato i testi per questo canale.
Cosa indica di studiare il docente
Argomenti del programma: 1. Introduzione alle Applicazioni di Machine Learning: Panoramica delle varie applicazioni del machine learning, con un focus particolare sui problemi che il corso intende affrontare: computer vision, natural language processing, recommender systems e retrieval augmented generation. 2. Computer Vision: Studio di tecniche avanzate per il riconoscimento di immagini, la segmentazione e l'analisi video.
Applicazioni Informatiche del Machine Learning Canale unico
Lettere e Filosofia · 3º anno · 2º semestre · 6 CFU · apri nel catalogo
Il docente non ha ancora pubblicato i testi per questo canale.
Cosa indica di studiare il docente
Argomenti del programma: 1. Introduzione alle Applicazioni di Machine Learning: Panoramica delle varie applicazioni del machine learning, con un focus particolare sui problemi che il corso intende affrontare: computer vision, natural language processing, recommender systems e retrieval augmented generation. 2. Computer Vision: Studio di tecniche avanzate per il riconoscimento di immagini, la segmentazione e l'analisi video.
Generative Artificial Intelligence Canale unico
Lettere e Filosofia · 1º anno · 2º semestre · 6 CFU · apri nel catalogo
Letture e articoli scientifici di riferimento (VAE, GAN, modelli di diffusione, transformer, LLM, RAG, JEPA, modelli multimodali) sono elencati, insieme alle dispense e ai materiali del corso, sul sito ufficiale dell'insegnamento:
Argomenti del programma: Parte I - Fondamenti 1. Teoria della probabilità e algebra lineare per i modelli generativi. 2. Ottimizzazione e teoria dell'informazione. 3. Architetture di deep learning e meccanismo di attenzione (reti convoluzionali, transformer). 4. Apprendimento contrastivo, CLIP e autoencoder (VAE, ELBO). Parte II - Generative AI per le immagini 5. VQ-VAE e Generative Adversarial Networks (GAN): training avversario. 6.
Generative Artificial Intelligence Canale unico
Scienze Matematiche, Fisiche e Naturali · esame facoltativo · 6 CFU · apri nel catalogo
Letture e articoli scientifici di riferimento (VAE, GAN, modelli di diffusione, transformer, LLM, RAG, JEPA, modelli multimodali) sono elencati, insieme alle dispense e ai materiali del corso, sul sito ufficiale dell'insegnamento:
Argomenti del programma: Parte I - Fondamenti 1. Teoria della probabilità e algebra lineare per i modelli generativi. 2. Ottimizzazione e teoria dell'informazione. 3. Architetture di deep learning e meccanismo di attenzione (reti convoluzionali, transformer). 4. Apprendimento contrastivo, CLIP e autoencoder (VAE, ELBO). Parte II - Generative AI per le immagini 5. VQ-VAE e Generative Adversarial Networks (GAN): training avversario. 6.
Applicazioni Informatiche del Machine Learning Canale unico
Scienze Matematiche, Fisiche e Naturali · 3º anno · 1º semestre · 6 CFU · apri nel catalogo
Il docente non ha ancora pubblicato i testi per questo canale.
Cosa indica di studiare il docente
Argomenti del programma: 1. Introduzione alle Applicazioni di Machine Learning: Panoramica delle varie applicazioni del machine learning, con un focus particolare sui problemi che il corso intende affrontare: computer vision, natural language processing, recommender systems e retrieval augmented generation. 2. Computer Vision: Studio di tecniche avanzate per il riconoscimento di immagini, la segmentazione e l'analisi video.
Domande frequenti
Quali libri consiglia il prof. Fabrizio Silvestri per Generative Artificial Intelligence?
Goodfellow – Deep Learning; Bishop – Deep Learning; Jurafsky – Speech and Language Processing; Murphy – Probabilistic Machine Learning
Quali libri consiglia il prof. Fabrizio Silvestri per Natural Language Processing And Text Mining?
Christopher – Prabhakar Raghavan; Leskovec – Mining of Massive Datasets; Dan Jurafsky – Speech and Language Processing
Quali libri consiglia il prof. Fabrizio Silvestri per Generative Artificial Intelligence?
Goodfellow – Deep Learning; Bishop – Deep Learning; Jurafsky – Speech and Language Processing; Murphy – Probabilistic Machine Learning
Quali libri consiglia il prof. Fabrizio Silvestri per Applicazioni Informatiche del Machine Learning?
Il docente non ha ancora pubblicato i testi.
Quali libri consiglia il prof. Fabrizio Silvestri per Generative Artificial Intelligence?
Goodfellow – Deep Learning; Bishop – Deep Learning; Jurafsky – Speech and Language Processing; Murphy – Probabilistic Machine Learning
Quali libri consiglia il prof. Fabrizio Silvestri per Applicazioni Informatiche del Machine Learning?
Il docente non ha ancora pubblicato i testi.
Quali libri consiglia il prof. Fabrizio Silvestri per Applicazioni Informatiche del Machine Learning?
Il docente non ha ancora pubblicato i testi.
Quali libri consiglia il prof. Fabrizio Silvestri per Generative Artificial Intelligence?
Goodfellow – Deep Learning; Bishop – Deep Learning; Jurafsky – Speech and Language Processing; Murphy – Probabilistic Machine Learning
Quali libri consiglia il prof. Fabrizio Silvestri per Generative Artificial Intelligence?
Goodfellow – Deep Learning; Bishop – Deep Learning; Jurafsky – Speech and Language Processing; Murphy – Probabilistic Machine Learning
Quali libri consiglia il prof. Fabrizio Silvestri per Applicazioni Informatiche del Machine Learning?