LMSCC

Lingua Insegnamento:

ITALIANO
Testi di riferimento:

I testi di riferimento per il corso sono:

1) Pattern Recognition and Machine Learning - C. Bishop. Springer, 2006.

2) The Elements of Statistical Learning - T. Hastie, J. H. Friedmann, R. Tibshirani. Springer. 2009. In lingua inglese e disponibile online.

3) Deep Learning - I. Goodfellow, Y. Bengio, A. Courville. MIT Press, 2016.

4)Artificial Intelligence: A modern approach - S. J. Russel, P. Norvig. Prentice Hall, 4th Edition.

Materiale didattico fornito dal docente e disponibile online, per la preparazione all’esame e per lo svolgimento del progetto.
Obiettivi formativi:

Il corso si propone di fornire conoscenze sulle tecniche di Machine Learning e Intelligenza Artificiale. Lo studente alla fine del corso avrà le conoscenze teoriche degli algoritmi di apprendimento non-supervisionati e supervisionati, con particolare attenzione alle deep neural networks.

Lo studente otterrà le competenze pratiche per analizzare un set di dati attraverso le tecniche di machine learning, in maniera corretta a seconda del tipo dato utilizzato, valutare le prestazioni dell’algoritmo e presentare in maniera chiara, efficace e critica i risultati delle analisi.

Il corso, inoltre, avrà come obiettivo l’insegnamento di alcuni strumenti pratici per applicare e implementare gli algoritmi di machine learning.
Prerequisiti:

Conoscenze di Base di Analisi Matematica, Probabilità, Statistica, Algebra Lineare, Algoritmi, e elementi di base di Programmazione in Python.
Metodi didattici:

L’insegnamento si compone di 64 ore di didattica frontale, suddivise in lezioni da 2 e 3 ore.

Le lezioni frontali si avvalgono del supporto di diapositive e riguardano aspetti teorici della disciplina.

Inoltre, all’interno del corso sono previste delle esercitazioni pratiche che includono l’applicazione e l’implementazione di alcuni algoritmi presentati durante il corso. Le esercitazioni utilizzeranno esclusivamente il linguaggio di programmazione Python e le principali librerie usate per l’analisi dei dati e il machine learning (scikit-learn, numpy, pandas, pytorch ecc.).

La frequenza è facoltativa ma altamente consigliata.
Modalità di verifica dell'apprendimento:

La verifica dell'apprendimento consiste in due prove: una prova scritta volta e un progetto.

La prova scritta è volta a valutare la comprensione degli aspetti tecnici e teorici dei concetti di machine learning e intelligenza artificiale presentati durante il corso.

Nello sviluppo di un progetto, lo studente applica i concetti acquisiti durante il corso. Il progetto può essere svolto in gruppo, composto al massimo da tre studenti. Per lo sviluppo dei progetti sono previste periodicamente delle revisioni nelle quali è richiesto agli studenti di mostrare gli obiettivi, lo svolgimento e i risultati del progetto. di una relazione che documenta le attività svolte ed i risultati ottenuti. I progetti sono concordati con il docente.

Le prove possono essere svolte in qualsiasi ordine.

Il voto finale è espresso in trentesimi ed è ottenuto sommando il punteggio del progetto (da 0 a 8 punti) a quello della prova orale (da 0 a 22 punti). Affinché la valutazione finale sia positiva, lo studente deve conseguire almeno 18 punti nella somma delle due prove.
Sostenibilità:
Altre Informazioni:

Le slide e altro materiale didattico, anche suggerito per approfondimenti, sono disponibili sulla piattaforma e-learning del corso.

La frequenza sistematica alle lezioni è altamente raccomandata.

I contenuti dell’insegnamento riguardano le tecniche di machine learning e intelligenza artificiale per l’analisi dei dati. Verranno presentati i principali algoritmi di apprendimento non supervisionato, supervisionato, tra cui le deep neural networks e cenni di apprendimento per rinforzo.

Il corso presenterà anche gli strumenti per valutare le prestazioni degli algoritmi e i metodi per utilizzarli correttamente.

Durante il corso, verranno presentate alcune librerie software basate sul linguaggio di programmazione Python, che implementano gli algoritmi illustrati e che possono essere usate per sviluppare nuovi algoritmi. Tali nozioni verranno impartite anche attraverso delle esercitazioni pratiche per facilitare la comprensione e l’utilizzo delle librerie

Introduzione all’Intelligenza Artificiale e Machine Learning:
1) Cenni storici
2) Cenni generali sull’apprendimento

Apprendimento non supervisionato:
1) Algoritmi di clustering, k-means, clustering gerarchico, DBSCAN
2) Expectation Minimization, Gaussian mixture models, Hidden Markov Models non supervisionate
3) Manifold learning, Multidimensional Scaling, Principal Components Analysis (PCA), Independent Component Analysis (ICA).

Apprendimento supervisionato:
1) Algoritmi di classificazione: Logistic Regression, Gaussian Naive Bayes, SVM, Kernel SVM, Nearest Neighbor.
2) Regressione: Regressione Lineare, Ordinary Least Square, Regolarizzazioni.
3) Model selection: Cross-validation, Feature Selection, Metriche di valutazione del modello.

Deep Neural Networks
1) Reti neurali classiche: percettrone, feedforward neural networks, backpropagation.
2) Deep Neural networks: Convolutional Neural Networks, Recurrent Neural Networks, Autoencoders, Generative Adversarial Networks.

Cenni di Reinforcement Learning.
1) Markov Decision Process, Equazioni di Bellman, Q-Learning.
2) Deep Reinforcement Learning e applicazioni.