2. Docenti
  3. Didattica

COMPUTATIONAL INTELLIGENCE

Roberto TAGLIAFERRI COMPUTATIONAL INTELLIGENCE

0222800001
DIPARTIMENTO DI SCIENZE AZIENDALI - MANAGEMENT & INNOVATION SYSTEMS
CORSO DI LAUREA MAGISTRALE
DATA SCIENCE E GESTIONE DELL'INNOVAZIONE
2022/2023

OBBLIGATORIO
ANNO CORSO 1
ANNO ORDINAMENTO 2022
SECONDO SEMESTRE
CFUOREATTIVITÀ
856LEZIONE
17LABORATORIO
ROBERTO TAGLIAFERRI T Curriculum
Obiettivi
NELL’AMBITO DELLO STUDIO DELLE METODOLOGIE DI APPRENDIMENTO DA ESEMPI, DEL PATTERN
RECOGNITION STATISTICO E DELL’INTELLIGENZA ARTIFICIALE, LO STUDENTE APPROFONDIRÀ LA CONOSCENZA DEI
MODELLI PER LA RISOLUZIONE DI PROBLEMI COMPLESSI E PER L’ANALISI DI DATI MULTIDIMENSIONALI, CON
RIFERIMENTO A PROBLEMI DI CLASSIFICAZIONE, CLUSTERING E REGRESSIONE DEI DATI. LO STUDENTE ACQUISIRÀ
I CONCETTI DI SISTEMA, DI STRUTTURA E DI APPRENDIMENTO COME VARIAZIONE DELLA STRUTTURA DI UN
SISTEMA ATTRAVERSO GLI ESEMPI RICEVUTI. INOLTRE, ACQUISIRÀ I CONCETTI RELATIVI ALLA INTELLIGENZA
ARTIFICIALE E COMPUTAZIONALE E COME USARLI INSIEME O COMPARARLI CON I MODELLI ADATTIVI. LO
STUDENTE ACQUISIRÀ LE SEGUENTI CAPACITÀ APPLICATIVE:
• ANALISI DI PROBLEMI CONCRETI DI PATTERN RECOGNITION STATISTICO, INTELLIGENZA ARTIFICIALE E
COMPUTAZIONALE;
• PROGETTAZIONE DEI PROGRAMMI PER LA REALIZZAZIONE DEI MODELLI STUDIATI SU DATI REALI E
SINTETICI;
• ANALISI DEI RISULTATI OTTENUTI.
MEDIANTE LE CONOSCENZE ACQUISITE DURANTE IL CORSO, SIA ATTRAVERSO LO STUDIO DEI MODELLI, SIA
ATTRAVERSO LE ATTIVITÀ DI LABORATORIO, LO STUDENTE SARÀ IN GRADO DI ORIENTARSI IN SUCCESSIVI PROBLEMI
DI DATA MINING E ANALISI DI DATI MULTIDIMENSIONALI CON MODELLI DI APPRENDIMENTO DA ESEMPI E
INTELLIGENZA ARTIFICIALE E COMPUTAZIONALE.
Prerequisiti
I concetti di base acquisiti nella laurea triennale in matematica, algoritmi e strutture dati, probabilità e statistica e programmazione dei computer.
Contenuti
I - PATTERN RECOGNITION E MACHINE LEARNING
1 INTRODUZIONE AL PATTERN RECOGNITION
(8 ORE: FRONTALI)
2 DISTRIBUZIONI DI PROBABILITÀ E STIMA DI PDF
(8 ORE: 6 FRONTALI E 2 ESERCITAZIONI IN LABORATORIO)
3 MODELLI DI MISTURE, CLUSTERING
(7 ORE:6 FRONTALI E 1 ESERCITAZIONI IN LABORATORIO)
4 PREPROCESSING, ANALISI DELLE CARATTERISTICHE E DELLE COMPONENTI PRINCIPALI
(10 ORE: 9 FRONTALI E 1 ESERCITAZIONI IN LABORATORIO)
5 ALBERI DI DECISIONE E RANDOM FOREST
(4 ORE: FRONTALI)
6 MODELLI LINEARI PER LA REGRESSIONE E LA CLASSIFICAZIONE
(8 ORE: FRONTALI )
7 RETI NEURALI E SVM PER LA REGRESSIONE E LA CLASSIFICAZIONE
(7 ORE: FRONTALI)
8 DEEP LEARNING
(7 ORE: 4 ORE FRONTALE E 3 DI LABORATORIO)
II - ALCUNI ELEMENTI DI TEORIA DELL’INFORMAZIONE
(4 ORE: FRONTALI)
Metodi Didattici
L’INSEGNAMENTO È ARTICOLATO IN DUE MODULI DI 54 E 7 ORE DI DIDATTICA FRONTALE E LABORATORIO, RISPETTIVAMENTE.

LEZIONI IN AULA ED ESERCITAZIONI IN LABORATORIO PER LA PRESENTAZIONE DELLE CONOSCENZE TEORICHE E PER LO SVILUPPO DELLE CAPACITÀ APPLICATIVE CHE DEBBONO ESSERE ACQUISITE DA PARTE DELLO STUDENTE.
Verifica dell'apprendimento
PROVA ORALE DOPO LA FINE DEL CORSO CHE INCLUDE LA PRESENTAZIONE DI UN PROGETTO DI ANALISI DATI CON TECNICHE DI INTELLIGENZA COMPUTAZIONALE E PATTERN RECOGNITION CONCORDATO CON IL DOCENTE DURANTE IL CORSO.
Testi
C.M. BISHOP: “PATTERN RECOGNITION AND MACHINE LEARNING”, SPRINGER SCIENCE, NEW YORK, 2006

R.O. DUDA, P.H. HART, D.G. STORK: “PATTERN CLASSIFICATION”, WILEY-INTERSCIENCE, II EDIZIONE, NEW YORK, 2001

I. GUYON, S. GUNN, M. NIKRAVESH, L.A. ZADEH: “FEATURE EXTRACTION: FOUNDATIONS AND APPLICATIONS”, SPRINGER, BERLINO, 2007

DAVID J. C. MACKAY: “INFORMATION THEORY, INFERENCE AND LEARNING ALGORITHMS”, CAMBRIDGE UNIVERSITY PRESS, CAMBRIDGE, 2003

SERGIOS THEODORIDIS, KONSTANTINOS KOUTROUMBAS: “PATTERN RECOGNITION”, 4TH EDITION. ACADEMIC PRESS, AMSTERDAM, 2008

SERGIOS THEODORIDIS AGGELOS PIKRAKIS KONSTANTINOS KOUTROUMBAS DIONISIS CAVOURAS: “INTRODUCTION TO PATTERN RECOGNITION: A MATLAB APPROACH”, ACADEMIC PRESS, AMSTERDAM, 2010

ROBERTO BATTITI, MAURO BRUNATO: "THE LION WAY. MACHINE LEARNING PLUS INTELLIGENT OPTIMIZATION. VERSION 2.0"
LIONLAB, UNIVERSITY OF TRENTO, ITALY, 2014.

FRANÇOIS CHOLLET: "DEEP LEARNING WITH PYTHON", MANNING PUBLICATIONS CO., SHELTER ISLAND, NY, 2021, SECOND EDITION
Altre Informazioni
LA FREQUENZA DELL'INSEGNAMENTO È FORTEMENTE CONSIGLIATA IN QUANTO CONSENTE UNA PIÙ RAPIDA ED EFFICACE COMPRENSIONE DEI FONDAMENTI TEORICI E DELLE TECNICHE APPLICATIVE.
LO STUDENTE DOVRÀ DEDICARE UN ADEGUATO NUMERO DI ORE DI STUDIO, IN AGGIUNTA A QUELLE TRASCORSE IN AULA, PER IL NECESSARIO CONSOLIDAMENTO DELLA PROPRIA CONOSCENZA E PER LO SVILUPPO DELL’ABILITÀ APPLICATIVA DA ACQUISIRE.
AI FINI DELLA VERIFICA DEL PROFITTO, PER LA PROVA ORALE LO STUDENTE DOVRÀ DEDICARE DELLE ORE DI STUDIO AL CONSOLIDAMENTO DELLA PADRONANZA DEI CONCETTI ED ALLA ACQUISIZIONE DI UNA ADEGUATA PROPRIETÀ DI LINGUAGGIO.
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-08-21]