Insegnamento MACHINE LEARNING
| Nome del corso di laurea | Programmazione e gestione di sistemi informatici |
|---|---|
| Codice insegnamento | A002051 |
| Curriculum | Comune a tutti i curricula |
| Docente responsabile | Valentina Franzoni |
| Docenti |
|
| Ore |
|
| CFU | 6 |
| Regolamento | Coorte 2023 |
| Erogato | Erogato nel 2024/25 |
| Erogato altro regolamento | |
| Attività | Caratterizzante |
| Ambito | Tecnologie informatiche e dell'informazione |
| Settore | INF/01 |
| Anno | 2 |
| Periodo | Primo Semestre |
| Tipo insegnamento | Obbligatorio (Required) |
| Tipo attività | Attività formativa monodisciplinare |
| Lingua insegnamento | Italiano o inglese |
| Contenuti | Introduzione al machine learning. Approccio supervisionato, semi-supervisionato e non supervisionato. Classificazione, clustering, anomaly detection. Applicazioni alla computer vision e al natural language processing. Introduzione al deep learning. Modelli avanzati di reti neurali. |
| Testi di riferimento | Stuart Russel, Peter Norvig, Artificial Intelligence: A Modern Approach, Global 4th Edition - Pearson - 2020 Tan, Steinbach, Karpatne, Kumar. Introduction to Data Mining, 2nd Edition 2019. Pearson Charu C. Aggarwal. Neural Networks and Deep Learning: a text book. Springer 2018 |
| Obiettivi formativi | Lo studente conoscerà i principali metodi del machine learning secondo i vari approcci supervisionato, semi-supervisionato e non supervisionato. Conoscerà inoltre alcuni metodi -tipici ed avanzati- del deep learning, applicabili anche a problemi di computer vision e natural language processing, inclusi i large language models. |
| Prerequisiti | Utili conoscenze di intelligenza artificiale e programmazione. |
| Metodi didattici | Lezioni frontali e lezioni pratiche. |
| Altre informazioni | La docente è disponibile a far sostenere esami in lingua italiana o inglese. |
| Modalità di verifica dell'apprendimento | Esame orale e progetto. Eventuali prove intermedie durante il corso. |
| Programma esteso | Introduzione al machine learning. Approccio supervisionato, semi-supervisionato e non supervisionato. Classificazione (decision trees, rule-based approach, naive bayes, nearest neighbors, SVM, neural networks) , clustering (k-means), anomaly detection. Applicazioni alla computer vision e al natural language processing. Introduzione al deep learning. Modelli avanzati di reti neurali (convolutional NN, transfer learning, generative models). Bias ed etica by design. |
| Obiettivi Agenda 2030 per lo sviluppo sostenibile | Questo insegnamento concorre alla realizzazione degli obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile come: obiettivo 4: istruzione di qualità obiettivo 5: uguaglianza di genere obiettivo 9: industria, innovazione e infrastrutture |