| 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 |
- 42 Ore - Valentina Franzoni
|
| CFU |
6 |
| Regolamento |
Coorte 2024 |
| Erogato |
Erogato nel 2025/26 |
| 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 |
| 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 |
