IBL9

Lingua Insegnamento:

Italiano
Testi di riferimento:

Machine Learning. Autore: Tom Mitchell, 1997

Data Mining: concepts and techniques 3rd edition. Autore: J. Han, M. Kamber, J. Pei, 2012.

Data Mining: Practical Machine Learning Tools and Techniques (The Morgan Kaufmann Series in Data Management Systems) 3rd Edition
by Ian H. Witten (Author), Eibe Frank (Author), Mark A. Hall (Author), 2011.

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.