Insegnamento MACHINE LEARNING
- Corso
- Programmazione e gestione di sistemi informatici
- Codice insegnamento
- A002051
- Curriculum
- Comune a tutti i curricula
- Docente
- Valentina Franzoni
- Docenti
-
- Valentina Franzoni
- Ore
- 42 ore - Valentina Franzoni
- CFU
- 6
- Regolamento
- Coorte 2024
- Erogato
- 2025/26
- Attività
- Caratterizzante
- Ambito
- Tecnologie informatiche e dell'informazione
- Settore
- INF/01
- Tipo insegnamento
- Obbligatorio (Required)
- Tipo attività
- Attività formativa monodisciplinare
- Lingua insegnamento
- ITALIANO
- 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