IBL9

Lingua Insegnamento:

Italiano
Testi di riferimento:

Di seguito alcuni libri di testo utili da consultare ma non obbligatori da acquistare per il corso:
- Tom Mitchell. Machine Learning.

- Han & Kamber. Data Mining: Concepts and Techniques
- Witten & Frank. Data Mining: Practical Machine Learning Tools and Techniques
- Russell & Norvig. Artificial intelligence: a modern approach. Global edition
- Dive into Deep Learning, di Aston Zhang, Zachary C. Lipton, Mu Li, Alexander J. Smola
- Ensemble Methods, di Zhi-Hua Zhou
Altri testi interessanti:
- Hands-On Machine Learning With Scikit-Learn and Pytorch: Concepts, Tools, and Techniques to Build Intelligent Systems, di Aurélien Géron
- Hands-On Large Language Models: Language Understanding and Generation 1st Edition, di Jay Alammar, Maarten Grootendorst
- Deep Learning at Scale: At the Intersection of Hardware, Software, and Data, di Suneeta Mall
- Machine learning con R. Conoscere le tecniche per costruire modelli predittivi, di Brett Lantz
- MATLAB for Machine Learning: Unlock the power of deep learning for swift and enhanced results, di Giuseppe Ciaburro
Obiettivi formativi:

L’obiettivo del corso è quello di sensibilizzare lo studente 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. In particolare, il corso mira a introdurre i fondamenti teorici e pratici delle tecniche di apprendimento automatico e dei sistemi intelligenti, illustrando come tali strumenti possano essere integrati nei processi di progettazione, sviluppo e ottimizzazione di soluzioni.
Gli studenti acquisiranno familiarità con i concetti chiave dell’IA, come rappresentazione della conoscenza, ragionamento automatico, ricerca euristica e sistemi basati su regole, e con le principali categorie di algoritmi di machine learning, tra cui apprendimento supervisionato, non supervisionato e per rinforzo. Verranno inoltre affrontati temi trasversali quali la qualità dei dati, la valutazione delle prestazioni dei modelli, l’interpretabilità delle soluzioni e le implicazioni etiche e sociali dell’adozione di tecnologie intelligenti.
Un ulteriore obiettivo è sviluppare la capacità di analizzare criticamente problemi reali, individuando quando e come le tecniche di IA e ML possano offrire un valore aggiunto. Il corso intende quindi fornire agli studenti non solo competenze tecniche di base, ma anche strumenti concettuali utili a prendere decisioni informate nella gestione di progetti che includono componenti di intelligenza artificiale, favorendo un approccio consapevole, responsabile e orientato all’innovazione.
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 in Power Point o in PDF.
Modalità di verifica dell'apprendimento:

Compito scritto obbligatorio con 15 domande a risposta multipla sugli argomenti teorici e pratici del corso. Questa prima parte consente di arrivare al voto di 26/30L. La seconda parte dell'esame consiste in una prova orale in cui lo studente presenterà al docente un breve seminario di 10 minuti sui temi dell'intelligenza artificiale per lo sviluppo sostenibile (la prova seminariale vale un massimo di 2 punti ed è obbligatoria). Nel caso in cui si voglia perfezionare il voto ottenuto dalle prime due prove, è richiesto allo studente di svolgere un progetto didattico da concordare con il docente (il progetto vale un massimo di 5 punti ed è facoltativo). Il progetto può essere svolto in gruppo (gruppi di massimo 3 studenti). Il seminario può essere svolto in gruppo (gruppi di massimo 2 studenti).
Sostenibilità:
Altre Informazioni:

Le lezioni verranno erogate in presenza, salvo casi specifici che dovranno essere opportunamente discussi con il docente.

Il corso fornisce una panoramica strutturata dei principi, dei metodi e delle applicazioni del Machine Learning e dell’Intelligenza Artificiale. Dopo un’introduzione ai fondamenti del machine learning e al processo di knowledge discovery, vengono affrontate le principali tecniche di preparazione e analisi dei dati, insieme ai diversi paradigmi di apprendimento, tra cui apprendimento supervisionato, non supervisionato, batch, incrementale e naturale. Una parte del corso è dedicata al reinforcement learning e ai principali aspetti critici del processo di apprendimento, come il tuning dei parametri, la valutazione delle performance, la suddivisione dei dati in training, validation e test set e il problema dell’overfitting.
Il programma comprende lo studio dei principali metodi di classificazione e regressione, tra cui alberi decisionali, regressione lineare e logistica e reti neurali artificiali. Sono inoltre analizzate le tecniche di clustering, con particolare attenzione a K-Means, ai metodi agglomerativi e agli algoritmi density-based come DBSCAN. Il corso approfondisce anche il representation learning e le architetture di deep learning, incluse Convolutional Neural Network, Recurrent Neural Network e Long Short-Term Memory Network. È prevista un’introduzione ai concetti fondamentali dell’Intelligenza Artificiale Generativa e dei Large Language Models.
La parte applicativa del corso introduce il linguaggio Python e l’utilizzo dell’ambiente Jupyter Notebook. Sono previste esercitazioni pratiche con Scikit-learn per la classificazione supervisionata e con TensorFlow per la progettazione e l’addestramento di modelli basati su Convolutional Neural Network e Recurrent Neural Network.

Fondamenti di Machine Learning e preparazione dei dati: Introduzione al Machine Learning; Processo di knowledge discovery; Preprocessing e preparazione dei dati; Il problema dell’apprendimento e i principali paradigmi: supervisionato, non supervisionato, batch, incrementale, naturale; Reinforcement learning; Aspetti critici del processo di apprendimento: Tuning dei parametri; Valutazione delle performance; Training, validation e test set; Overfitting. Metodi di classificazione, regressione e clustering: Alberi decisionali; Regressione lineare e logistica; Reti neurali artificiali; Clustering: K-Means, metodi agglomerativi, algoritmi density-based (DBSCAN). Deep Learning e Representation Learning: Representation learning; Convolutional Neural Network; Recurrent Neural Network; Long Short-Term Memory Network; Introduzione all’Intelligenza Artificiale Generativa e ai Large Language Models. Strumenti software e attività pratiche: Introduzione a Python; Python e l’ambiente Jupyter Notebook; Scikit-learn: esercizi di classificazione supervisionata; TensorFlow: esercizi su Convolutional Neural Network e Recurrent Neural Network