-
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.
-
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 orale e un progetto.
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.
La prova orale è volta a valutare la comprensione degli aspetti tecnici e teorici dei concetti di machine learning e intelligenza artificiale presentati durante il corso.
La valutazione finale attribuita allo studente sarà basata sui seguenti giudizi:
18-22/30 (Sufficiente): Lo studente dimostra una conoscenza dei concetti di base e dei metodi di machine learning fondamentali. Tuttavia, il rigore formale è limitato e sono presenti lacune o incertezze.
23-25/30 (Discreto): Lo studente possiede una discreta padronanza della materia e degli algoritmi. È in grado di esporre correttamente le tecniche apprese durante il corso, dimostrando una comprensione soddisfacente dei concetti fondamentali trattati nel corso.
26-27/30 (Buono): Lo studente mostra una buona padronanza della materia e precisione nel linguaggio tecnico. È capace di affrontare problemi articolati con sicurezza.
28-30/30 (Ottimo): Lo studente dimostra una spiccata capacità di analisi critica, muovendosi con disinvoltura tra gli aspetti teorici e applicativi e organizzando le conoscenze con rigore assoluto. La conoscenza degli algoritmi è approfondita ed espone correttamente anche i limiti di ogni tecnica.
30 e Lode: La lode è riservata agli studenti che dimostrano una particolare brillantezza nel ragionamento, manifestando assoluta autonomia di giudizio e una perfetta padronanza formale della disciplina in ogni sua sfumatura. -
Obiettivi Agenda 2030 per lo sviluppo sostenibile:
Questo insegnamento concorre alla realizzazione degli obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile
-
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 modelli per il processamento del linguaggio.
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
3) Cenni di algebra lineare, probabilità e ottimizzazione.
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, Large Language Models.
Scopri cosa vuol dire essere dell'Ud'A
SEDE DI CHIETI
Via dei Vestini,31
Centralino 0871.3551
SEDE DI PESCARA
Viale Pindaro,42
Centralino 085.45371
email: info@unich.it
PEC: ateneo@pec.unich.it
Partita IVA 01335970693
