Con questa funzione puoi costruire il tuo calendario settimanale delle lezioni, personalizzato sulla base dei corsi che intendi seguire.
Attenzione: l'Orario Personalizzato non sostituisce la presentazione del piano degli studi! E' uno strumento informale, che ti può aiutare a gestire al meglio l'organizzazione della frequenza alle lezioni prima della presentazione del piano studi.
Dopo aver presentato piano ti raccomandiamo di utilizzare il servizio Orario delle lezioni presente nel tuo elenco dei Servizi Online.
Per creare il calendario personalizzato segui queste istruzioni:
- Clicca sul link "Abilita" per procedere. Ti verrà chiesto il cognome e nome per determinare il tuo scaglione alfabetico.
-
Per aggiungere o togliere insegnamenti dal tuo Orario Personalizzato, utilizza le iconcine che trovi in corrispondenza degli insegnamenti:
 aggiunta dell'insegnamento rimozione dell'insegnamento selezione della sezione del laboratorio di Architettura
(N.B: la sezione effettiva in cui si dovrà seguire la didattica verrà determinata dopo la presentazione dei Piani di Studio)
-
Nella barra laterale a sinistra è indicato il numero degli insegnamenti inseriti nell'Orario.
Sono inoltre presenti questi comandi:
 Visualizza orario: permette di visualizzare l'orario sinottico settimanale Elimina orario: cancella le selezioni effettuate
Al termine dell'inserimento, puoi stampare il calendario che hai costruito.
| Semestre (Sem) | | 1 | Primo Semestre | | 2 | Secondo Semestre | | A | Insegnamento Annuale | Attività formative | | B | Caratterizzanti | Lingua d'erogazione |  | Insegnamento completamente offerto in lingua italiana |  | Insegnamento completamente offerto in lingua inglese | | -- | Non definita | Didattica innovativa |  | I CFU riportati a fianco a questo simbolo indicano la parte dei CFU dell'insegnamento erogati con Didattica Innovativa.
Tali CFU riguardano:
- Cotutela con mondo esterno
- Blended Learning & Flipped Classroom
- Massive Open Online Courses (MOOC)
- Soft Skills
|
|
|
Anno Accademico
|
2020/2021
|
|
Scuola
|
Scuola di Ingegneria Industriale e dell'Informazione
|
|
Corso di Studi
|
(Mag.)(ord. 270) - MI (487) Mathematical Engineering - Ingegneria Matematica
|
|
Piano di Studio preventivamente approvato
|
MST - Statistical Learning
|
|
Anno di Corso
|
2
|
|
Codice Identificativo
|
054307
|
|
Denominazione Insegnamento
|
ARTIFICIAL NEURAL NETWORKS AND DEEP LEARNING
|
|
Tipo Insegnamento
|
Monodisciplinare
|
|
Crediti Formativi Universitari (CFU)
|
5.0
|
|
Semestre
|
Primo Semestre
|
|
Programma sintetico
|
Neural networks are mature, flexible, and powerful non-linear data-driven models that have successfully solved many complex tasks in science and engineering. The advent of the deep learning paradigm, i.e., training (neural) networks to simultaneously learn an optimal data representation and a model solving the requested task, has further boosted neural networks research and development. These models nowadays achieve human-like performance in natural language processing, text modeling, gene expression modeling, and image recognition, to name a few examples. This course provides a broad introduction to artificial neural networks (ANN), starting from the traditional feedforward (FFNN) and recurrent (RNN) neural networks architectures, till the most successful deep-learning models including convolutional neural networks (CNN) and long short-term memories (LSTM). The course aims at providing students with a theoretical background and the practical skills to understand and use ANN and, at the same time, become familiar and with Deep Learning for solving complex engineering problems.
|
|
Settori Scientifico Disciplinari (SSD)
|
|
Attività formative
|
Codice SSD
|
Descrizione SSD
|
CFU
|
|
B
|
ING-INF/05
|
SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
|
5.0
|
|
| Orario: aggiungi e rimuovi | Scaglione | Docente/i | Lingua offerta | Programma dettagliato |
|---|
| Da (compreso) | A (escluso) |
|---|
| --- | A | ZZZZ | Matteucci Matteo | |  |
|
|
Dettaglio 
Orario didattico