Roberto TAGLIAFERRI | ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING
Roberto TAGLIAFERRI ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING
cod. 0222800029
ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING
| 0222800029 | |
| DIPARTIMENTO DI SCIENZE AZIENDALI - MANAGEMENT & INNOVATION SYSTEMS | |
| CORSO DI LAUREA MAGISTRALE | |
| DATA SCIENCE E GESTIONE DELL'INNOVAZIONE | |
| 2024/2025 |
| OBBLIGATORIO | |
| ANNO CORSO 1 | |
| ANNO ORDINAMENTO 2022 | |
| SECONDO SEMESTRE |
| SSD | CFU | ORE | ATTIVITÀ | |
|---|---|---|---|---|
| INF/01 | 8 | 56 | LEZIONE | |
| INF/01 | 1 | 7 | LABORATORIO |
| Appello | Data | Sessione | |
|---|---|---|---|
| TAGLIAFERRI | 11/12/2024 - 10:00 | SESSIONE ORDINARIA | |
| TAGLIAFERRI | 11/12/2024 - 10:00 | SESSIONE DI RECUPERO |
| 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 MODELLO 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 ALTRI 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 TEORICO, SIA ATTRAVERSO LE ATTIVITÀ DI LABORATORIO, LO STUDENTE SARÀ IN GRADO DI ORIENTARSI IN SUCCESSIVI PROBLEMI DI ANALISI DI DATI MULTIDIMENSIONALI CON MODELLI DI APPRENDIMENTO DA ESEMPI e, quindi, di aggiornare le proprie competenze. |
| 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: FRONTALI ) 3 MODELLI DI CLUSTERING (6 ORE: FRONTALI) 4 PREPROCESSING, ANALISI DELLE CARATTERISTICHE E DELLE COMPONENTI PRINCIPALI (9 ORE: FRONTALI ) 5 ALBERI DI DECISIONE E RANDOM FOREST (3 ORE: FRONTALI) 6 MODELLI LINEARI PER LA REGRESSIONE E LA CLASSIFICAZIONE (6 ORE: FRONTALI ) 7 RETI NEURALI PER LA REGRESSIONE E LA CLASSIFICAZIONE (6 ORE: FRONTALI) 8 DEEP LEARNING (13 ORE: 6 ORE FRONTALE E 7 DI LABORATORIO) II - ALCUNI ELEMENTI DI TEORIA DELL’INFORMAZIONE (4 ORE: FRONTALI) |
| Metodi Didattici | |
|---|---|
| L’INSEGNAMENTO È ARTICOLATO IN DUE PARTI DI 56 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. LA FREQUENZA ALLE LEZIONI NON È OBBLIGATORIA MA È FORTEMENTE CONSIGLIATA. |
| Verifica dell'apprendimento | |
|---|---|
| PROVA ORALE DOPO LA FINE DEL CORSO CHE INCLUDE LA PRESENTAZIONE DI UN PROGETTO DI ANALISI DATI CON TECNICHE DI INTELLIGENZA ARTIFICIALE E PATTERN RECOGNITION CONCORDATO CON IL DOCENTE DURANTE IL CORSO. LA PROVA ORALE CON LA DISCUSSIONE DEL PROJECT WORK È FINALIZZATA A VALUTARE IL LIVELLO DI PADRONANZA DELLA DISCIPLINA. TALE LIVELLO VIENE ESPRESSO SULLA BASE DELLA SCALA DI VOTI DA 18/30 (CONOSCENZA LIMITATA DELL’ARGOMENTO) AL 30/30 LODE (IL CANDIDATO DIMOSTRA SIGNIFICATIVA PADRONANZA DEI CONTENUTI). LA DURATA DELLA PROVA E' DI CIRCA 20 MINUTI. |
| Testi | |
|---|---|
| C. M. BISHOP, H. BISHOP: "DEEP LEARNING - FOUNDATIONS AND CONCEPTS", SPRINGER NATURE, BERLIN, 2024 SERGIOS THEODORIDIS AGGELOS PIKRAKIS KONSTANTINOS KOUTROUMBAS DIONISIS CAVOURAS: “INTRODUCTION TO PATTERN RECOGNITION: A MATLAB APPROACH”, ACADEMIC PRESS, AMSTERDAM, 2010 FRANÇOIS CHOLLET: "DEEP LEARNING WITH PYTHON", MANNING PUBLICATIONS CO., SHELTER ISLAND, NY, 2021, SECOND EDITION DAVID J. C. MACKAY: “INFORMATION THEORY, INFERENCE AND LEARNING ALGORITHMS”, CAMBRIDGE UNIVERSITY PRESS, CAMBRIDGE, 2003 ALTRI TESTI DA CONSULTARE PER MIGLIORARE LE PROPRIE CONOSCENZE C.M. BISHOP: “PATTERN RECOGNITION AND MACHINE LEARNING”, SPRINGER SCIENCE, NEW YORK, 2006 ROBERTO BATTITI, MAURO BRUNATO: "THE LION WAY. MACHINE LEARNING PLUS INTELLIGENT OPTIMIZATION. VERSION 4.0., LIONLAB, UNIVERSITY OF TRENTO, ITALY, 2023. 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 SERGIOS THEODORIDIS, KONSTANTINOS KOUTROUMBAS: “PATTERN RECOGNITION”, 4TH EDITION. ACADEMIC PRESS, AMSTERDAM, 2008 |
| 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: 2024-11-18]
