ID:
163193
Tipo Insegnamento:
Obbligatorio
Durata (ore):
0
CFU:
0
SSD:
SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
Url:
INTELLIGENZA ARTIFICIALE, DATA SCIENCE E BIG DATA/PERCORSO COMUNE Anno: 1
Anno:
2024
Dati Generali
Periodo di attività
Annualità Singola (19/09/2024 - 30/05/2025)
Syllabus
Obiettivi Formativi
I principali obiettivi formativi dell’insegnamento sono:
- fornire allo studente i fondamenti teorici, le caratteristiche e i casi d’uso delle tecniche di apprendimento automatico supervisionato e non supervisionato.
- fornire allo studente le metodologie e tecniche basate su reti neurali deep per la realizzazione di applicazioni di Intelligenza Artificiale, permettendo allo studente di acquisire la capacità di applicare tali tecniche per risolvere problemi complessi.
Le principali conoscenze acquisite saranno:
- capacità di applicare metodi di classificazione e regressione per modellare problemi di machine learning supervisionato;
- capacità di applicare metodi di clustering e data mining per risolvere problemi di machine learning non supervisionato;
- capacità di realizzare le principali architetture di reti neurali deep (reti convoluzionali, ricorrenti, transformer);
- capacità di addestrare modelli basati su reti neurali;
- capacità di applicare tecniche di ottimizzazione e modellazione delle reti neurali;
- analizzare problemi tipici dei sistemi di Intelligenza Artificiale, quali classificazione e regressione considerando differenti tipologie di dato, e proporre possibili soluzioni basate su tecniche di deep learning per la loro risoluzione;
- capacità di sviluppare modelli di reti neurali per risolvere compiti di classificazione e regressione.
- fornire allo studente i fondamenti teorici, le caratteristiche e i casi d’uso delle tecniche di apprendimento automatico supervisionato e non supervisionato.
- fornire allo studente le metodologie e tecniche basate su reti neurali deep per la realizzazione di applicazioni di Intelligenza Artificiale, permettendo allo studente di acquisire la capacità di applicare tali tecniche per risolvere problemi complessi.
Le principali conoscenze acquisite saranno:
- capacità di applicare metodi di classificazione e regressione per modellare problemi di machine learning supervisionato;
- capacità di applicare metodi di clustering e data mining per risolvere problemi di machine learning non supervisionato;
- capacità di realizzare le principali architetture di reti neurali deep (reti convoluzionali, ricorrenti, transformer);
- capacità di addestrare modelli basati su reti neurali;
- capacità di applicare tecniche di ottimizzazione e modellazione delle reti neurali;
- analizzare problemi tipici dei sistemi di Intelligenza Artificiale, quali classificazione e regressione considerando differenti tipologie di dato, e proporre possibili soluzioni basate su tecniche di deep learning per la loro risoluzione;
- capacità di sviluppare modelli di reti neurali per risolvere compiti di classificazione e regressione.
Prerequisiti
------------------------------------------------------------
Insegnamento raggruppato: 163192 - MACHINE LEARNING E DATA MINING
------------------------------------------------------------
L’insegnamento richiede come prerequisito la conoscenza dei concetti base della programmazione e di almeno un linguaggio di programmazione di alto livello (imperativo o a oggetti), e l’aver seguito il corso di Fondamenti di Intelligenza Artificiale e Rappresentazione della conoscenza.
------------------------------------------------------------
Insegnamento raggruppato: 70440 - DEEP LEARNING (mutua dall'attività formativa DEEP LEARNING - 70440 del CdS INGEGNERIA INFORMATICA E DELL’AUTOMAZIONE - 1229)
------------------------------------------------------------
E’ necessario avere acquisito e assimilato conoscenze di base di programmazione, fornite dai corsi di fondamenti di informatica e programmazione.
E’ necessario inoltre avere acquisito conoscenze di base di Machine Learning, fornite, ad esempio, dal corso Machine learning e data mining:
- tipologie di machine learning (supervisionato, non supervisionato)
- principali applicazioni del machine learning supervisionato (classificazione, regressione)
- principali metriche (accuracy, precision, recall, ecc.)
Le conoscenze di Machine Learning necessarie verranno comunque brevemente introdotte durante il corso.
Insegnamento raggruppato: 163192 - MACHINE LEARNING E DATA MINING
------------------------------------------------------------
L’insegnamento richiede come prerequisito la conoscenza dei concetti base della programmazione e di almeno un linguaggio di programmazione di alto livello (imperativo o a oggetti), e l’aver seguito il corso di Fondamenti di Intelligenza Artificiale e Rappresentazione della conoscenza.
------------------------------------------------------------
Insegnamento raggruppato: 70440 - DEEP LEARNING (mutua dall'attività formativa DEEP LEARNING - 70440 del CdS INGEGNERIA INFORMATICA E DELL’AUTOMAZIONE - 1229)
------------------------------------------------------------
E’ necessario avere acquisito e assimilato conoscenze di base di programmazione, fornite dai corsi di fondamenti di informatica e programmazione.
E’ necessario inoltre avere acquisito conoscenze di base di Machine Learning, fornite, ad esempio, dal corso Machine learning e data mining:
- tipologie di machine learning (supervisionato, non supervisionato)
- principali applicazioni del machine learning supervisionato (classificazione, regressione)
- principali metriche (accuracy, precision, recall, ecc.)
Le conoscenze di Machine Learning necessarie verranno comunque brevemente introdotte durante il corso.
Metodi didattici
------------------------------------------------------------
Insegnamento raggruppato: 163192 - MACHINE LEARNING E DATA MINING
------------------------------------------------------------
l corso è organizzato in:
- lezioni frontali in aula su tutti gli argomenti del corso;
- esercitazioni nei laboratori di informatica per il progetto di modelli di apprendimento automatico e la risoluzione di problemi di data mining
Video-lezioni asincrone sono disponibili sul Google classroom del corso.
------------------------------------------------------------
Insegnamento raggruppato: 70440 - DEEP LEARNING (mutua dall'attività formativa DEEP LEARNING - 70440 del CdS INGEGNERIA INFORMATICA E DELL’AUTOMAZIONE - 1229)
------------------------------------------------------------
L'attività didattica è svolta con lezioni teoriche ed esercitazioni pratiche di tipo laboratoriale.
Tutte le lezioni saranno svolte in presenza, secondo orario consultabile online.
Insegnamento raggruppato: 163192 - MACHINE LEARNING E DATA MINING
------------------------------------------------------------
l corso è organizzato in:
- lezioni frontali in aula su tutti gli argomenti del corso;
- esercitazioni nei laboratori di informatica per il progetto di modelli di apprendimento automatico e la risoluzione di problemi di data mining
Video-lezioni asincrone sono disponibili sul Google classroom del corso.
------------------------------------------------------------
Insegnamento raggruppato: 70440 - DEEP LEARNING (mutua dall'attività formativa DEEP LEARNING - 70440 del CdS INGEGNERIA INFORMATICA E DELL’AUTOMAZIONE - 1229)
------------------------------------------------------------
L'attività didattica è svolta con lezioni teoriche ed esercitazioni pratiche di tipo laboratoriale.
Tutte le lezioni saranno svolte in presenza, secondo orario consultabile online.
Verifica Apprendimento
L’esame consiste di 2 prove obbligatorie più 2 prove facoltative: 2 prove scritte, una presentazione di progetto (facoltativa), una prova orale (facoltativa).
1. Al fine di verificare le conoscenze teoriche di machine learning viene svolta una prova scritta composta di brevi esercizi e domande teoriche. Nella prova scritta non è ammesso utilizzare appunti.
2. Al fine di verificare le conoscenze teoriche di deep learning viene svolta una prova scritta (quattro domande a risposta aperta). Nella prova scritta non è ammesso usare appunti.
3. Al fine di verificare la capacità di progettare ed implementare soluzioni basate su reti neurali verrà assegnato un progetto da parte del docente. Verrà data agli studenti la possibilità di lavorare in aula alcune lezioni, supportati dal docente. L'ultima lezione, gli studenti dovranno discutere in aula il loro progetto. La discussione del progetto è facoltativa. La discussione deve essere eseguita dall'intero gruppo. In caso di problemi o necessità diverse, verranno organizzate soluzioni alternative per la discussione.
4. E' possibile, su richiesta dello studente, svolgere una prova orale basata sull'approfondimento di una tematica di ricerca di machine learning.
1. Al fine di verificare le conoscenze teoriche di machine learning viene svolta una prova scritta composta di brevi esercizi e domande teoriche. Nella prova scritta non è ammesso utilizzare appunti.
2. Al fine di verificare le conoscenze teoriche di deep learning viene svolta una prova scritta (quattro domande a risposta aperta). Nella prova scritta non è ammesso usare appunti.
3. Al fine di verificare la capacità di progettare ed implementare soluzioni basate su reti neurali verrà assegnato un progetto da parte del docente. Verrà data agli studenti la possibilità di lavorare in aula alcune lezioni, supportati dal docente. L'ultima lezione, gli studenti dovranno discutere in aula il loro progetto. La discussione del progetto è facoltativa. La discussione deve essere eseguita dall'intero gruppo. In caso di problemi o necessità diverse, verranno organizzate soluzioni alternative per la discussione.
4. E' possibile, su richiesta dello studente, svolgere una prova orale basata sull'approfondimento di una tematica di ricerca di machine learning.
Testi
------------------------------------------------------------
Insegnamento raggruppato: 163192 - MACHINE LEARNING E DATA MINING
------------------------------------------------------------
Peter Flach, “Machine Learning The Art and Science of Algorithms that Make Sense of Data”, Cambridge University Press, 2012
Tom M. Mitchell, “Machine Learning”, McGraw-Hill, 1997
Ian Witten, Eibe Frank, “Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations”, ultima edizione, Morgan Kaufmann Publishers
Hal Daumé III, A Course in Machine Learning, http://www.ciml.info/
------------------------------------------------------------
Insegnamento raggruppato: 70440 - DEEP LEARNING (mutua dall'attività formativa DEEP LEARNING - 70440 del CdS INGEGNERIA INFORMATICA E DELL’AUTOMAZIONE - 1229)
------------------------------------------------------------
Le seguenti voci sono un elenco di fonti da sfruttare per approfondire e accompagnare lo studio.
Lo studio del materiale didattico fornito tramite Google Classroom è sufficiente al superamento dell'esame.
Bibliografia:
- Jake VanderPlas. Python data science handbook: essential tools for working with data. O'Reilly Media, Inc., 2016.
- Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep learning. MIT press, 2016.
Sitografia:
- https://jakevdp.github.it/PythonDataScienceHandbook/
- https://www.tensorflow.org
- https://keras.io/
Insegnamento raggruppato: 163192 - MACHINE LEARNING E DATA MINING
------------------------------------------------------------
Peter Flach, “Machine Learning The Art and Science of Algorithms that Make Sense of Data”, Cambridge University Press, 2012
Tom M. Mitchell, “Machine Learning”, McGraw-Hill, 1997
Ian Witten, Eibe Frank, “Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations”, ultima edizione, Morgan Kaufmann Publishers
Hal Daumé III, A Course in Machine Learning, http://www.ciml.info/
------------------------------------------------------------
Insegnamento raggruppato: 70440 - DEEP LEARNING (mutua dall'attività formativa DEEP LEARNING - 70440 del CdS INGEGNERIA INFORMATICA E DELL’AUTOMAZIONE - 1229)
------------------------------------------------------------
Le seguenti voci sono un elenco di fonti da sfruttare per approfondire e accompagnare lo studio.
Lo studio del materiale didattico fornito tramite Google Classroom è sufficiente al superamento dell'esame.
Bibliografia:
- Jake VanderPlas. Python data science handbook: essential tools for working with data. O'Reilly Media, Inc., 2016.
- Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep learning. MIT press, 2016.
Sitografia:
- https://jakevdp.github.it/PythonDataScienceHandbook/
- https://www.tensorflow.org
- https://keras.io/
Contenuti
------------------------------------------------------------
Insegnamento raggruppato: 163192 - MACHINE LEARNING E DATA MINING
------------------------------------------------------------
Il corso prevede 64 ore di didattica frontale e esercitazioni di laboratorio sulle seguenti tematiche:
Introduzione al Machine Learning: cenni storici, principali campi applicativi, paradigmi di apprendimento, apprendimento di concetti e ordinamento da generale a specifico, apprendimento di regole proposizionali
L’uso dei dati nel Machine Learning: training, validazione e test; generalizzazione, underfitting e overfitting; capacità; bias e varianza
Metriche di valutazione delle performance di modelli
Classificazione e regressione con modelli basati su alberi (Alberi decisionali, Random forest), Naive Bayes classifier, K-nearest Neighbors, metodi Kernel; Ensemble learning, boosting, bagging
Dimensionality reduction
Clustering (k-means, Expectation Maximization, metodi gerarchici e probabilistici)
Introduzione al Data Mining
Regole associative e APRIORI
Laboratorio: libreria scikit-learn e linguaggio Python
------------------------------------------------------------
Insegnamento raggruppato: 70440 - DEEP LEARNING (mutua dall'attività formativa DEEP LEARNING - 70440 del CdS INGEGNERIA INFORMATICA E DELL’AUTOMAZIONE - 1229)
------------------------------------------------------------
Introduzione alle Reti Neurali
- Struttura, shallow/deep
- Introduzione Keras/Tensorflow
- Backpropagation + Gradient Descent
- Regularization
- Practical Methods
Convolutional NN + architetture significative
Recurrent/Recursive NN + architetture significative
Applicazioni pratiche e direzioni di ricerca
- Computer Vision, Object Detection
- Autoencoders
- GAN
- Transfer Learning
- Transformer e Generative AI
Insegnamento raggruppato: 163192 - MACHINE LEARNING E DATA MINING
------------------------------------------------------------
Il corso prevede 64 ore di didattica frontale e esercitazioni di laboratorio sulle seguenti tematiche:
Introduzione al Machine Learning: cenni storici, principali campi applicativi, paradigmi di apprendimento, apprendimento di concetti e ordinamento da generale a specifico, apprendimento di regole proposizionali
L’uso dei dati nel Machine Learning: training, validazione e test; generalizzazione, underfitting e overfitting; capacità; bias e varianza
Metriche di valutazione delle performance di modelli
Classificazione e regressione con modelli basati su alberi (Alberi decisionali, Random forest), Naive Bayes classifier, K-nearest Neighbors, metodi Kernel; Ensemble learning, boosting, bagging
Dimensionality reduction
Clustering (k-means, Expectation Maximization, metodi gerarchici e probabilistici)
Introduzione al Data Mining
Regole associative e APRIORI
Laboratorio: libreria scikit-learn e linguaggio Python
------------------------------------------------------------
Insegnamento raggruppato: 70440 - DEEP LEARNING (mutua dall'attività formativa DEEP LEARNING - 70440 del CdS INGEGNERIA INFORMATICA E DELL’AUTOMAZIONE - 1229)
------------------------------------------------------------
Introduzione alle Reti Neurali
- Struttura, shallow/deep
- Introduzione Keras/Tensorflow
- Backpropagation + Gradient Descent
- Regularization
- Practical Methods
Convolutional NN + architetture significative
Recurrent/Recursive NN + architetture significative
Applicazioni pratiche e direzioni di ricerca
- Computer Vision, Object Detection
- Autoencoders
- GAN
- Transfer Learning
- Transformer e Generative AI
Lingua Insegnamento
Italiano
Corsi
Corsi
INTELLIGENZA ARTIFICIALE, DATA SCIENCE E BIG DATA
Laurea Magistrale
2 anni
No Results Found