|
Mutua da
|
18168 INFORMATICA INDUSTRIALE in INGEGNERIA INDUSTRIALE L-9 ZINGONI ANDREA
(programma)
• Fondamenti di statistica e probabilità (6h) – Lezione
- Nozioni di base di statistica e calcolo combinatorio
- Nozioni di base di probabilità
- Probabilità marginale, congiunta e condizionata e concetto di indipendenza di un evento
- Teorema di Bayes e Teorema della Probabilità Totale
- Esperimenti composti e iterati
• Variabili Aleatorie (10h): – Lezione + Laboratorio di Matlab
- Introduzione alle variabili aleatorie
- Variabili aleatorie continue e discrete
- Funzione di distribuzione e densità/massa di probabilità
- Trasformazione di variabili aleatorie
- Parametri caratteristici di una variabile aleatoria
- Sistemi di variabili aleatorie
- Proprietà e parametri caratteristici di un sistema di variabili aleatorie
• Introduzione all’intelligenza artificiale (2h): – Lezione + Seminari
- Definizione/i di intelligenza artificiale e tipologie di algoritmi
- Storia dell’IA dalle prime invenzioni alle tecniche state-of-the-art
- Utilizzi, benefici, criticità e problematiche legati all’IA
• Tecniche di machine learning (16h): – Lezione + Laboratorio di Matlab e Python + Seminari
- Introduzione, inferenza, riduzione feature, allenamento e validazione
- PCA
- K-Means
- Classificatore Naïve Bayes
- Regressione lineare e logistica
- Classificatore k-NN
- SVM
- Decision/regression tree e random forest
- Aspetti principali del reinforcement learning
• Fondamenti di reti neurali e deep learning (14h): – Lezione + Laboratorio di Python + Seminari
- Introduzione alle reti neurali
- Dimensionamento di una rete neurale e iperparametri
- Tecniche di miglioramento del training di una rete neurale
- CNN
(testi)
- "Teoria della probabilità e variabili aleatorie, con applicazioni all’ingegneria e alle scienze", di A. Bononi e G. Ferrari, ed. Esculapio, 2008.
- "Algoritmi per I’intelligenza artificiale”, di R. Marmo, ed. Hoepli, 2020.
- "Artificial intelligence: a modern approach" 4th ed., di S. Russel, P. Norvig, ed. Global Edition.
- “Hands-on machine learning with Scikit-learn, Keras & TensorFlow” 2nd ed., di A. Géron, O’Reilly ed.
- “Neural Networks and Deep Learning: a Textbook”, di C.C. Aggarwal, ed. Springer.
|
