Menù principale
B031294 - GEOMETRIC LEARNING
Principali informazioni
Lingua Insegnamento
Libri di testo consigliati
Obiettivi Formativi
Prerequisiti
Metodi Didattici
Modalità di verifica apprendimento
Programma del corso
Obiettivi Agenda 2030 per lo sviluppo sostenibile
Anno Accademico 2023-24
Coorte 2022 - Laurea Magistrale in INTELLIGENZA ARTIFICIALE
Anno di corso
Secondo Anno - Secondo Semestre
Dipartimento di Afferenza
Ingegneria dell'Informazione
Tipo insegnamento
Attività formativa monodisciplinare
Settore Scientifico disciplinare
ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
Crediti Formativi
6
Ore Didattica
48
Periodo didattico
26/02/2024 ⇒ 07/06/2024
Frequenza Obbligatoria
No
Tipo Valutazione
Voto Finale
Programma del corso
mostra
Docenza
Lingua Insegnamento
Italiano
Libri di testo consigliati (Cerca nel catalogo della biblioteca)
William L. Hamilton. Graph Representation Learning. McGill University.
Lingfei Wu, Peng Cui, Jian Pei, Liang Zhao. Graph Neural Networks: Foundations, Frontiers, and Applications. Springer.
Lingfei Wu, Peng Cui, Jian Pei, Liang Zhao. Graph Neural Networks: Foundations, Frontiers, and Applications. Springer.
Obiettivi Formativi
Il corso mira a fornire conoscenze di reti profonde per l'elaborazione di dati in domini non Euclidei con particolare riferimento a grafi, nuvole di punti e mesh. Attraverso alcuni frameworks e librerie in Python verranno analizzati casi di studio mirati all'acquisizione di competenze di progetto di architetture basate su deep neural networks per l'analisi di dati in domini non Euclidei
Prerequisiti
Deep learning
Metodi Didattici
Lezioni in aula ed esercitazioni. Gli studenti possono abbinare un laboratorio all'approfondimento di tematiche presentate a lezione.
Modalità di verifica apprendimento
Orale.
Al candidato saranno poste quattro domande su altrettanti argomenti presentati nelle lezioni. Il candidato dovrà dimostrare la propria conoscenza di tali argomenti avvalendosi anche dello strumento Colab per dimostrare la capacità di usare le proprie conoscenze.
Al candidato saranno poste quattro domande su altrettanti argomenti presentati nelle lezioni. Il candidato dovrà dimostrare la propria conoscenza di tali argomenti avvalendosi anche dello strumento Colab per dimostrare la capacità di usare le proprie conoscenze.
Programma del corso
Introduction to geometric deep learning
Manifold learning
Graph Convolutional Networks, Graph Neural Networks, Attention in Graph Neural Networks, Graph clustering, GNN for dynamic graphs
Shapes, point clouds and meshes
Shape analysis.
3D acquisition, registration and triangulation. Mesh smoothing and representation. Surface curvature and geodesic distance computation. Hand-craft features on the mesh.
PointNet and PointNet++ for deep learning on point clouds. Deep learning methods on meshes. Generative methods on graphs and meshes.
Manifold learning
Graph Convolutional Networks, Graph Neural Networks, Attention in Graph Neural Networks, Graph clustering, GNN for dynamic graphs
Shapes, point clouds and meshes
Shape analysis.
3D acquisition, registration and triangulation. Mesh smoothing and representation. Surface curvature and geodesic distance computation. Hand-craft features on the mesh.
PointNet and PointNet++ for deep learning on point clouds. Deep learning methods on meshes. Generative methods on graphs and meshes.