GENERATIVE ARTIFICIAL INTELLIGENCE

Obiettivi formativi

Obiettivi Generali Al termine del corso, gli studenti avranno una solida comprensione e capacità pratica nell'ambito del Generative AI, essenziale per affrontare e risolvere problemi complessi di intelligenza artificiale generativa. Obiettivi Specifici Conoscenza e Comprensione: Acquisire una comprensione approfondita dei principi di generazione di immagini e testi. Apprendere le strutture e i meccanismi dei modelli generativi basati su tecniche di diffusione e su tecniche autoregressive Capacità Critiche e di Giudizio: Valutare criticamente le prestazioni dei modelli di generative AI e di come queste vengono utilizzati in ambiti reali. Analizzare le sfide relative alla robustezza nei modelli di generative AI e sviluppare soluzioni efficaci. Capacità Comunicative: Presentare e discutere i risultati dei progetti di generative AI, dimostrando competenza nell'uso di strumenti avanzati come Diffusion Models e Transformers. Capacità di Apprendimento: Sperimentare con tecnologie emergenti nel campo del deep learning, come LLM, Vision LM, Diffusion Models, Flow-based Model, etc.. Applicare le conoscenze teoriche in progetti pratici per affrontare problemi reali.

Canale 1
FABRIZIO SILVESTRI Scheda docente

Programmi - Frequenza - Esami

Programma
1. Introduzione alla Generative AI: panoramica e applicazioni. 2. Modellazione probabilistica: teoria, distribuzioni, MLE. 3. Modelli autoregressivi: linguaggio e immagini. 4. Variational Autoencoders (VAEs): inferenza variazionale e applicazioni. 5. Normalizing Flows: trasformazioni invertibili e distribuzioni complesse. 6. Generative Adversarial Networks (GANs): training avversario e miglioramenti. 7. Modelli basati su energia e punteggio: matching score ed energy functions. 8. Modelli a diffusione: processi stocastici e tecniche recenti. 9. Applicazioni su immagini: generazione e manipolazione. 10. Applicazioni su testo: modelli linguistici e sintesi. 11. Generazione di grafi e molecole: GNN e applicazioni scientifiche. 12. Valutazione dei modelli generativi: metriche e sfide.
Prerequisiti
* Conoscenze di base in apprendimento automatico. * Conoscenza di probabilità e statistica (distribuzioni, aspettativa, indipendenza, stima). * Calcolo differenziale e algebra lineare (derivate parziali, matrici). * Esperienza di programmazione in Python, inclusi strumenti come PyTorch.
Testi di riferimento
Lecture notes and materials provided by the instructor.
Frequenza
* La frequenza non è obbligatoria ma fortemente consigliata.
Modalità di esame
* Progetto di gruppo: 30% * Esame scritto: 70%
Modalità di erogazione
* Il corso si svolgerà in modalità frontale con esercitazioni pratiche. Ogni lezione sarà composta da una parte teorica e una parte pratica.
FABRIZIO SILVESTRI Scheda docente

Programmi - Frequenza - Esami

Programma
1. Introduzione alla Generative AI: panoramica e applicazioni. 2. Modellazione probabilistica: teoria, distribuzioni, MLE. 3. Modelli autoregressivi: linguaggio e immagini. 4. Variational Autoencoders (VAEs): inferenza variazionale e applicazioni. 5. Normalizing Flows: trasformazioni invertibili e distribuzioni complesse. 6. Generative Adversarial Networks (GANs): training avversario e miglioramenti. 7. Modelli basati su energia e punteggio: matching score ed energy functions. 8. Modelli a diffusione: processi stocastici e tecniche recenti. 9. Applicazioni su immagini: generazione e manipolazione. 10. Applicazioni su testo: modelli linguistici e sintesi. 11. Generazione di grafi e molecole: GNN e applicazioni scientifiche. 12. Valutazione dei modelli generativi: metriche e sfide.
Prerequisiti
* Conoscenze di base in apprendimento automatico. * Conoscenza di probabilità e statistica (distribuzioni, aspettativa, indipendenza, stima). * Calcolo differenziale e algebra lineare (derivate parziali, matrici). * Esperienza di programmazione in Python, inclusi strumenti come PyTorch.
Testi di riferimento
Lecture notes and materials provided by the instructor.
Frequenza
* La frequenza non è obbligatoria ma fortemente consigliata.
Modalità di esame
* Progetto di gruppo: 30% * Esame scritto: 70%
Modalità di erogazione
* Il corso si svolgerà in modalità frontale con esercitazioni pratiche. Ogni lezione sarà composta da una parte teorica e una parte pratica.
  • Codice insegnamento10620853
  • Anno accademico2025/2026
  • CorsoEngineering in Computer Science and Artificial Intelligence - Ingegneria Informatica e Intelligenza Artificiale
  • CurriculumCurriculum unico
  • Anno1º anno
  • Semestre2º semestre
  • SSDING-INF/05
  • CFU6