Paniere con risposte aperte - Reti neurali e deep learning (2023/2024)

CONTINUA

Lezione 024

10. Descrivere quali sono e come funzionano i metodi principali per la manipolazione degli elementi contenuti

in un oggetto List di Python.

11. Descrivere la sintassi degli intervalli di valori (range) di un oggetto List ed illustrarne il funzionamento con

degli esempi.

12. Descrivere come funzionano gli array in Python e mostrare alcuni esempi di inserimento e di stampa di

valori contenuti in array, sia valori singoli che range di valori.

13. Descrivere le principali differenze tra oggetti di tipo Tuple e di tipo List in Python

Lezione 025

13. Descrivere la funzione reshape() di NumPy e riportare degli esempi di utilizzo.

14. Descrivere le principali proprietà di Broadcasting di NumPy ed illustrarle con degli esempi.

15. Descrivere le principali differenze fra gli oggetti ndarray di NumPy e gli oggetti List di Python.

Lezione 026

09. Descrivere un esempio di utilizzo delle funzionalità di MatplotLib per generare il grafico della funzione

y=x^2 nell’intervallo [-10.0, 10.0], includendo le etichette per gli assi x ed y ed il titolo del grafico.

10. Descrivere lo scopo e le principali funzionalità offerte dalla libreria MatplotLib ed illustrare un esempio di

uso.

11. Illustrare la modalità di definizione di grafici affiancati in MatplotLib ed illustrarne l'uso mettendo a

confronto un grafico con scala dell'asse y normale sulla sinistra e lo stesso grafico con scala dell'asse y

logaritmica a destra.

Lezione 027

11. Illustrare quali sono le principali differenze i punti di contatto fra una rete neurale artificiale ed una

biologica.

12. Dopo aver riportato l'enunciato della Regola di Hebb, descrivere l'impatto che ha avuto nella definizione

del modello delle reti neurali artificiali.

Lezione 029

12. Descrivere le principali funzioni di loss per i task di classificazione.

13. Descrivere cosa sono e a come vengono utilizzate le funzioni di loss nel contesto dell'apprendimento

automatico.

14. Descrivere le principali funzioni di loss per i task di regressione.

Lezione 030

11. Quali sono i criteri per selezionare buone feature nei processi di Feature Engineering?

12. Descrivere cosa si intende per Feature Engineering e a cosa serve facendo degli esempi.

13. Descrivere i vantaggi legati al processo di normalizzazione delle feature ed illustrare i principali approcci

che si seguono per normalizzare le feature.

Lezione 031

11. Descrivere le principali differenze fra le librerie TensorFlow, PyTorh e Keras.

Lezione 032

09. Descrivere le differenze tra Jupyter Notebook e Google Colab

Lezione 033

09. Descrivere le similitudini e le differenze fra le reti neurali biologiche e i modelli di reti neurali artificiali.

10. Illustrare le principali differenze fra le reti neurali DNN (Deep Neural Networks) e le CNN (Convolutional

Neural Networks).

11. Descrivere che cos'è, come funziona e dove si usa l'operazione di convoluzione ed illustrarla con alcuni

esempi.

12. Descrivere a cosa serve l'operazione di pooling nelle reti neurali convoluzionali ed elencare le tipologie di

operazioni di pooling più utilizzate.

13. Descrivere le motivazioni ed il funzionamento dell'operazione di Dropout. Data una operazione di Dropout

con p=0.3, illustrare gli effetti e le modificazioni che essa implica sulla rete neurale

Lezione 034

11. Scrivere il codice minimale di un modello di rete neurale Deep Neural Network (DNN) in Keras che usi come

ottimizzatore lo Stochastic Gradient Descent.

12. Descrivere a che serve adottare una tecnica con learning rate adattivi e in che modo possiamo

implementarla in Keras.

13. Elencare e descrivere i passi dell'algoritmo di discesa al gradiente, nella versione con mini-batches.

14. Descrivere come si implementa in Keras la tecnica del Dropout e descrivere che effetto ha sulla rete

neurale.

15. Descrivere la tecnica dell'Early Stopping.

16. Descrivere le funzioni di loss in Keras e i casi in cui si devono utilizzare.

17. Descrivere le metriche di valutazione che si usano per valutare un modello di Machine Learning ed in

particolare la misura dell'accuratezza.

Lezione 037

09. Scrivere e commentare un programma Python minimale che implementi un processo di AutoML in

AutoKeras per selezionare il miglior modello in grado di apprendere il dataset MNIST.

10. Descrivere che cos'è un processo di AutoML e con quali strumenti è possibile implementarlo in Python.

Lezione 038

09. Descrivere cosa sono gli attacchi adversarial e quali vulnerabilità dei modelli profondi sfruttano.

10. Descrivere le misure utili a limitare gli attacchi adversarial ai modelli profondi.

Lezione 039

09. Descrivere che cos'è e come si usa un Autoencoder, discutendo anche la sua architettura.

Lezione 040

09. Descrivere i passi necessari per convertire un modello profondo addestrato in TensorFlow/Keras in modo

che sia possibile eseguirlo in ambiente Android.

10. Descrivere le modalità di installazione e di utilizzo del tool "toco" per la conversione di un modello

addestrato in TensorFlow/Keras nel formato TensorFlow Lite.

Lezione 041

17. Descrivere il ruolo dell'Informatica nello studio della Biologia Computazionale facendo degli esempi.