Sistemi informativi
(obiettivi)
Gli obiettivi del corso di Applicazioni di Intelligenza Artificiale sono quelli di fornire agli studenti competenze avanzate di informatica, quali la programmazione (R, Python) il cloud computing e le basi di dati (big data), la capacità di utilizzare strumenti di statistica avanzata come il machine learning per la comprensione, la progettazione e la soluzione di problemi riguardanti la stima di variabili quantitative o qualitative. Nell’ambito dei sistemi di accesso alle informazioni si faranno cenni anche alle reti di comunicazione (modalità fisiche di trasmissione dati, protocolli di rete). La frequenza alle lezioni ed esercitazioni, pur facoltativa è fortemente consigliata. Conoscenza e capacità di comprensione L'insegnamento ha l’obiettivo di sviluppare negli studenti conoscenze e capacità di comprensione, quali: • conoscere e comprendere quali sono le caratteristiche di un problema di machine learning e quando è opportuno utilizzare il machine learning per risolvere un problema; • conoscere e comprendere la logica alla base dell’apprendimento automatico e le tecniche più diffuse di machine learning; • conoscere e comprendere le modalità di sviluppo di semplici modelli di machine learning e del loro addestramento.
Conoscenza e capacità di comprensione applicate L'insegnamento consentirà di applicare conoscenze e comprensione, permettendo ad esempio di: • suddividere i problemi in categorie generali; • abbinare i problemi agli algoritmi più adatti per risolverli; • progettare e allenare algoritmi di machine learning in grado di stimare variabili qualitative o quantitative sulla base di dataset strutturati e non.
Autonomia di giudizio L'insegnamento consentirà di sviluppare autonomia di giudizio a vari livelli, come ad esempio: • riconoscere le possibili fonti di incertezza nella stima di variabili tramite machine learning (underfitting, overfitting, ecc.); • proporre soluzioni critiche per correggere le tendenze che inficiano la bontà della stima.
Abilità comunicative Partecipare alle lezioni e/o usufruire autonomamente del materiale messo a disposizione faciliterà lo sviluppo e l'applicazione di abilità comunicative, quali ad esempio: • fornire una sufficiente gamma di esempi pratici di applicazione di intelligenza artificiale; • utilizzare un appropriato ed aggiornato vocabolario tecnico informatico.
Capacità di apprendere Partecipare alle lezioni e/o usufruire autonomamente del materiale messo a disposizione faciliterà il consolidamento delle proprie capacità di apprendimento, permettendo ad esempio di: • attivare un programma di aggiornamento continuo delle proprie conoscenze; • individuare in autonomia le modalità per acquisire informazioni; • individuare e utilizzare le fonti di informazioni più utili al personale aggiornamento.
|
Codice
|
119411 |
Lingua
|
ITA |
Tipo di attestato
|
Attestato di profitto |
Crediti
|
8
|
Settore scientifico disciplinare
|
INF/01
|
Ore Aula
|
64
|
Attività formativa
|
Attività formative caratterizzanti
|
Canale Unico
Docente
|
Ortenzi Luciano
(programma)
Machine Learning Supervisionato
Introduzione, definizioni, concetti e applicazioni, coding (livello base). regressione lineare (funzione costo, algoritmo del gradiente descente, learning rate, matrice pseudoinversa) caso multivariato Feature scaling e Z−score, costruzione delle variabili rilevanti, regressione logistica, Decision boundaries. Il problema dell'overfitting regolarizzazione per la regressione lineare e logistica
2 MACHINE LEARNING NON SUPERVISIONATO Il clustering, algoritmo K-means e knn (cenni) Anomaly detection.
3 MACHINE LEARNING IN PRATICA Iperparametri e strategie di training. Valutazione del modello, overfitting, underfitting e regolarizzazione. Learning curves, analisi dell'errore. Transfer learning. Trading off della precision e della recall
4 NEURAL NETWORKS AND DEEP LEARNING
TensorFlow, Matlab deeplearnong toolbox Strategie di training e funzioni di attivazione(sigmoid, ReLu, etc) Classificazione multiclasse. Applicazioni del Deeplearning: classificazione di immagini e YOLO
(testi)
- Dispense del docente.
|
Date di inizio e termine delle attività didattiche
|
Dal al |
Modalità di erogazione
|
Tradizionale
A distanza
|
Modalità di frequenza
|
Non obbligatoria
|
Metodi di valutazione
|
Valutazione di un progetto
|
|
|