• Edizioni di altri A.A.:
  • 2024/2025
  • 2025/2026
  • 2026/2027

  • Lingua Insegnamento:
    Italiano 
  • Testi di riferimento:
    Machine Learning: A multistrategy approach. Autore: Tom Mitchell

    Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems. Autore: Aurélien Géron. O'Reilly
     
  • Obiettivi formativi:
    L'obiettivo del corso è quello di sensibilizzare l'ingegnere alle tematiche relative all'intelligenza artificiale e al machine learning, fornendo una panoramica delle principali nozioni che possono essere di ausilio alla gestione dei progetti. 
  • Prerequisiti:
    Conoscenza dell'informatica di base in termini di linguaggi di programmazione e architettura dei calcolatori. Matematica e fisica di base.
     
  • Metodi didattici:
    Lezione frontale con l'utilizzo di presentazioni power point o PDF.
     
  • Modalità di verifica dell'apprendimento:
    Domande a risposta aperta sugli argomenti del corso. 
  • Sostenibilità:
     
  • Altre Informazioni:
    Le lezioni verranno erogate in presenza, salvo casi specifici che dovranno essere opportunamente discussi con il docente.
     

Introduzione al Machine Learning. Data preprocessing. Il problema dell'apprendimento. Classificazione, regressione e clustering. Deep learning. Esercizi con le principali librerie Python.

Introduzione al Machine Learning. Il processo di knowledge discovery. Preprocessing dei dati. Il problema dell'apprendimento. Apprendimento supervisionato e non supervisionato. Apprendimento batch, incrementale, naturale. Reinforcement learning. Problemi connessi al learning: tuning dei parametri, valutazione delle performance, training, validation e test, il problema dell'overfitting. Classificazione: gli alberi decisionali. Regressione lineare e logistica. Le reti neurali artificiali. Clustering: K-Means. Clustering agglomerativo e density-based (DBSCAN). Representation learning. Convolutional Neural Network. Recurrent Neural Network. Long Short-Term Memory Network. Introduzione all'Intelligenza Artificiale Generativa e ai Large Language Models.
Introduzione al linguaggio Python. Python e l'ambiente Jupyter Notebook. L'ambiente Sikit-learn: esercizi su classificazione supervisionata.
L'ambiente TensorFlow: esercizi su Convolutional Neural Network e Recurrent Neural Network.

Avvisi

Nessun avviso in evidenza

Documenti

Nessun documento in evidenza

Scopri cosa vuol dire essere dell'Ud'A

SEDE DI CHIETI
Via dei Vestini,31
Centralino 0871.3551

SEDE DI PESCARA
Viale Pindaro,42
Centralino 085.45371

email: info@unich.it
PEC: ateneo@pec.unich.it
Partita IVA 01335970693

icona Facebook   icona Twitter

icona Youtube   icona Instagram