Giuseppe POLESE | MACHINE LEARNING

cod. 0512100064

MACHINE LEARNING

	0512100064
	DIPARTIMENTO DI INFORMATICA
	CORSO DI LAUREA
	INFORMATICA
	2024/2025

PERCORSO COMUNE

	ANNO CORSO 3
	ANNO ORDINAMENTO 2017
	PRIMO SEMESTRE

MODULI

SSD	CFU	ORE	ATTIVITÀ	TIPO DI ATTIVITÁ FORMATIVA
INF/01	4	32	LEZIONE	AFFINE/INTEGRATIVA
INF/01	2	16	LABORATORIO	AFFINE/INTEGRATIVA

DOCENTI

	GIUSEPPE POLESE T Curriculum
	LOREDANA CARUCCIO Curriculum

	Obiettivi
	IL CORSO DI MACHINE LEARNING FORNISCE GLI STRUMENTI METODOLOGICI E TECNOLOGICI FONDAMENTALI PER PROGETTARE ED IMPLEMENTARE SISTEMI DI MACHINE LEARNING PARTENDO DA DATI DI VARIO GENERE, INCLUSO DATI SENSORISTICI, DA RILASCIARE SU VARI TIPI DI PIATTAFORME. CONOSCENZA E CAPACITÀ DI COMPRENSIONE LO STUDENTE ACQUISIRÀ: • CONCETTI FONDAMENTALI RELATIVI ALLA PREPARAZIONE DI DATI DI ADDESTRAMENTO • CONOSCENZA DEI PRINCIPALI DOMINI APPLICATIVI DEL MACHINE LEARNING • CONOSCENZA DEI PRINCIPALI MODELLI ED ALGORITMI DI MACHINE LEARNING • CONCETTI INERENTI GLI ASPETTI ETICI CONNESSI ALL’UTILIZZO DEI SISTEMI DI MACHINE LEARNING CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE LO STUDENTE SARÀ IN GRADO DI: • ANALIZZARE PROBLEMI REALI E SCEGLIERE LE PIÙ OPPORTUNE TECNICHE DI MACHINE LEARNING PER LA LORO RISOLUZIONE, SVILUPPANDO AL CONTEMPO LA CAPACITÀ DI IMPLEMENTARLE; • VALUTARE SE UN DETERMINATO PROBLEMA SI PRESTA ALL’UTILIZZO DI TECNICHE DI MACHINE LEARNING PER LA SUA RISOLUZIONE; • SCEGLIERE I MODELLI E GLI ALGORITMI PIÙ OPPORTUNI, E DI APPLICARE I PASSI METODOLOGICI NECESSARI PER GIUNGERE ALLA FORMULAZIONE ED IMPLEMENTAZIONE DI UNA SOLUZIONE IDONEA PER UN DATO PROBLEMA; • FAMILIARIZZARE RAPIDAMENTE CON NUOVE TEMATICHE DI MACHINE LEARNING E DI INTERAGIRE CON COMUNITÀ DI SVILUPPATORI ED ESPERTI DI QUEST’AREA. AUTONOMIA DI GIUDIZIO LO STUDENTE ACQUISIRÀ UNA AUTONOMIA DI GIUDIZIO IN QUANTO DOVRÀ ESSERE IN GRADO DI: • STUDIARE CONCETTI TEORICI ED APPLICARLI IN VARI DOMINI APPLICATIVI ATTRAVERSO LA RISOLUZIONE DI ESERCIZI CHE CONSENTANO DI GIUDICARE IL LIVELLO DI COMPRENSIONE RAGGIUNTO ED EVENTUALMENTE DI ACCRESCERLO; • SVILUPPARE UN PROGETTO APPLICATIVO IN TUTTE LE SUE FASI, IMPARANDO AD EFFETTUARE SCELTE PROGETTUALI IN PIENA AUTONOMIA, ANCHE SULLA BASE DI LINEE GUIDA FORNITE DURANTE IL CORSO, ED INFINE DI GIUDICARE LA QUALITÀ DEGLI ARTEFATTI PRODOTTI ATTRAVERSO OPPORTUNI TEST; • VALUTARE L’ANDAMENTO DELLE FASI DI SVILUPPO DEL PROGETTO, SIA IN BASE AGLI OBIETTIVI PREPOSTI CHE ALLE SCADENZE DA RISPETTARE, SIMULANDO IN PARTE DINAMICHE DI SVILUPPO IN AMBITO REALE. ABILITÀ COMUNICATIVE LO STUDENTE SARÀ IN GRADO DI: • DESCRIVERE, ATTRAVERSO UN’OPPORTUNA DOCUMENTAZIONE DI PROGETTO, LE SCELTE PROGETTUALI INTRAPRESE DURANTE LE FASI DI PROGETTAZIONE E SVILUPPO, ARGOMENTANDOLE E MOTIVANDOLE; • COMUNICARE GLI OBIETTIVI FUNZIONALI, GLI ARTEFATTI REALIZZATI ED I DETTAGLI D'IMPLEMENTAZIONE DELL’APPLICAZIONE REALIZZATA. CAPACITÀ DI APPRENDIMENTO LO STUDENTE SARÀ IN GRADO DI: • ACQUISIRE CAPACITÀ NELLO STUDIO DELLE CARATTERISTICHE DI DIVERSI MODELLI, IMPARANDO A CONFRONTARLI E A INDIVIDUARE QUELLI PIÙ IDONEI PER UN DETERMINATO PROBLEMA; • ACQUISIRE LA CAPACITÀ DI VALUTARE LE PRESTAZIONI DI UNA DETERMINATA SOLUZIONE E DI INDIVIDUARE LA ATTIVITÀ DI TUNING NECESSARIE PER IL LORO MIGLIORAMENTO.

IL CORSO DI MACHINE LEARNING FORNISCE GLI STRUMENTI METODOLOGICI E TECNOLOGICI FONDAMENTALI PER PROGETTARE ED IMPLEMENTARE SISTEMI DI MACHINE LEARNING PARTENDO DA DATI DI VARIO GENERE, INCLUSO DATI SENSORISTICI, DA RILASCIARE SU VARI TIPI DI PIATTAFORME.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE
LO STUDENTE ACQUISIRÀ:
• CONCETTI FONDAMENTALI RELATIVI ALLA PREPARAZIONE DI DATI DI ADDESTRAMENTO
• CONOSCENZA DEI PRINCIPALI DOMINI APPLICATIVI DEL MACHINE LEARNING
• CONOSCENZA DEI PRINCIPALI MODELLI ED ALGORITMI DI MACHINE LEARNING
• CONCETTI INERENTI GLI ASPETTI ETICI CONNESSI ALL’UTILIZZO DEI SISTEMI DI MACHINE LEARNING

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
LO STUDENTE SARÀ IN GRADO DI:
• ANALIZZARE PROBLEMI REALI E SCEGLIERE LE PIÙ OPPORTUNE TECNICHE DI MACHINE LEARNING PER LA LORO RISOLUZIONE, SVILUPPANDO AL CONTEMPO LA CAPACITÀ DI IMPLEMENTARLE;
• VALUTARE SE UN DETERMINATO PROBLEMA SI PRESTA ALL’UTILIZZO DI TECNICHE DI MACHINE LEARNING PER LA SUA RISOLUZIONE;
• SCEGLIERE I MODELLI E GLI ALGORITMI PIÙ OPPORTUNI, E DI APPLICARE I PASSI METODOLOGICI NECESSARI PER GIUNGERE ALLA FORMULAZIONE ED IMPLEMENTAZIONE DI UNA SOLUZIONE IDONEA PER UN DATO PROBLEMA;
• FAMILIARIZZARE RAPIDAMENTE CON NUOVE TEMATICHE DI MACHINE LEARNING E DI INTERAGIRE CON COMUNITÀ DI SVILUPPATORI ED ESPERTI DI QUEST’AREA.

AUTONOMIA DI GIUDIZIO
LO STUDENTE ACQUISIRÀ UNA AUTONOMIA DI GIUDIZIO IN QUANTO DOVRÀ ESSERE IN GRADO DI:
• STUDIARE CONCETTI TEORICI ED APPLICARLI IN VARI DOMINI APPLICATIVI ATTRAVERSO LA RISOLUZIONE DI ESERCIZI CHE CONSENTANO DI GIUDICARE IL LIVELLO DI COMPRENSIONE RAGGIUNTO ED EVENTUALMENTE DI ACCRESCERLO;
• SVILUPPARE UN PROGETTO APPLICATIVO IN TUTTE LE SUE FASI, IMPARANDO AD EFFETTUARE SCELTE PROGETTUALI IN PIENA AUTONOMIA, ANCHE SULLA BASE DI LINEE GUIDA FORNITE DURANTE IL CORSO, ED INFINE DI GIUDICARE LA QUALITÀ DEGLI ARTEFATTI PRODOTTI ATTRAVERSO OPPORTUNI TEST;
• VALUTARE L’ANDAMENTO DELLE FASI DI SVILUPPO DEL PROGETTO, SIA IN BASE AGLI OBIETTIVI PREPOSTI CHE ALLE SCADENZE DA RISPETTARE, SIMULANDO IN PARTE DINAMICHE DI SVILUPPO IN AMBITO REALE.

ABILITÀ COMUNICATIVE
LO STUDENTE SARÀ IN GRADO DI:
• DESCRIVERE, ATTRAVERSO UN’OPPORTUNA DOCUMENTAZIONE DI PROGETTO, LE SCELTE PROGETTUALI INTRAPRESE DURANTE LE FASI DI PROGETTAZIONE E SVILUPPO, ARGOMENTANDOLE E MOTIVANDOLE;
• COMUNICARE GLI OBIETTIVI FUNZIONALI, GLI ARTEFATTI REALIZZATI ED I DETTAGLI D'IMPLEMENTAZIONE DELL’APPLICAZIONE REALIZZATA.

CAPACITÀ DI APPRENDIMENTO LO STUDENTE SARÀ IN GRADO DI:
• ACQUISIRE CAPACITÀ NELLO STUDIO DELLE CARATTERISTICHE DI DIVERSI MODELLI, IMPARANDO A CONFRONTARLI E A INDIVIDUARE QUELLI PIÙ IDONEI PER UN DETERMINATO PROBLEMA;
• ACQUISIRE LA CAPACITÀ DI VALUTARE LE PRESTAZIONI DI UNA DETERMINATA SOLUZIONE E DI INDIVIDUARE LA ATTIVITÀ DI TUNING NECESSARIE PER IL LORO MIGLIORAMENTO.

	Prerequisiti
	UN CORSO DI FONDAMENTI DI BASI DI DATI ED UN LINGUAGGIO DI PROGRAMMAZIONE.

	Contenuti
	IL CORSO SI CONCENTRERÀ SUI SEGUENTI ARGOMENTI: •INTRODUZIONE AL MACHINE LEARNING ED ALLA PROGETTAZIONE DI SISTEMI DI ML (4 ORE) -DEFINIZIONE DEI REQUISITI DI UN SISTEMA ML (1 ORA) -PIPELINE PER LA PROGETTAZIONE DI UN SISTEMA DI ML (1 ORA) -APPROCCI DI ML (1 ORA) -PROBLEMATICHE DI ML: UNDERFITTING ED OVERFITTING (1 ORA) •DATA ENGINEERING (6 ORE) -SORGENTI DI DATI (1 ORA) -FORMATI DI DATI (1 ORA) -DATI STRUTTURATI E NON STRUTTURATI (1 ORA) -BATCH VS STREAM PROCESSING (1 ORA) -CENNI SUI NOSQL DATABASE (2 ORE) • DATI DI ADDESTRAMENTO (4 ORE) -CAMPIONAMENTO (1 ORA) -ETICHETTATURA (1 ORA) -CLASS IMBALANCE (1 ORA) -DATA AUGMENTATION (1 ORA) •FEATURE ENGINEERING (4 ORE) -LEARNED FEATURES VERSUS ENGINEERED FEATURES (1 ORA) -OPERAZIONI COMUNI DI FEATURE ENGINEERING (1 ORA) -GESTIONE DI VALORI NULLI (1 ORA) -SCALING (1 ORA) •SVILUPPO E VALUTAZIONE DEI MODELLI DI MACHINE LEARNING (8 ORE) -VALUTAZIONE DI MODELLI DI ML (2 ORE) -ENSEMBLE LEARNING (1 ORA) -ADDESTRAMENTO DISTRIBUITO (2 ORE) -AUTOML (1 ORA) -VALUTAZIONE OFFLINE DI MODELLI DI ML (2 ORE) •CENNI SUI MODELLI DI MACHINE LEARNING (4 ORE) •CENNI SU ASPETTI ETICI DEL MACHINE LEARNING (2 ORE) -GESTIONE PREVISIONI INESATTE (1 ORA) -AI RESPONSABILE (1 ORA)

Contenuti

IL CORSO SI CONCENTRERÀ SUI SEGUENTI ARGOMENTI:

•INTRODUZIONE AL MACHINE LEARNING ED ALLA PROGETTAZIONE DI SISTEMI DI ML (4 ORE)
-DEFINIZIONE DEI REQUISITI DI UN SISTEMA ML (1 ORA)
-PIPELINE PER LA PROGETTAZIONE DI UN SISTEMA DI ML (1 ORA)
-APPROCCI DI ML (1 ORA)
-PROBLEMATICHE DI ML: UNDERFITTING ED OVERFITTING (1 ORA)

•DATA ENGINEERING (6 ORE)
-SORGENTI DI DATI (1 ORA)
-FORMATI DI DATI (1 ORA)
-DATI STRUTTURATI E NON STRUTTURATI (1 ORA)
-BATCH VS STREAM PROCESSING (1 ORA)
-CENNI SUI NOSQL DATABASE (2 ORE)

• DATI DI ADDESTRAMENTO (4 ORE)
-CAMPIONAMENTO (1 ORA)
-ETICHETTATURA (1 ORA)
-CLASS IMBALANCE (1 ORA)
-DATA AUGMENTATION (1 ORA)

•FEATURE ENGINEERING (4 ORE)
-LEARNED FEATURES VERSUS ENGINEERED FEATURES (1 ORA)
-OPERAZIONI COMUNI DI FEATURE ENGINEERING (1 ORA)
-GESTIONE DI VALORI NULLI (1 ORA)
-SCALING (1 ORA)

•SVILUPPO E VALUTAZIONE DEI MODELLI DI MACHINE LEARNING (8 ORE)
-VALUTAZIONE DI MODELLI DI ML (2 ORE)
-ENSEMBLE LEARNING (1 ORA)
-ADDESTRAMENTO DISTRIBUITO (2 ORE)
-AUTOML (1 ORA)
-VALUTAZIONE OFFLINE DI MODELLI DI ML (2 ORE)

•CENNI SUI MODELLI DI MACHINE LEARNING (4 ORE)

•CENNI SU ASPETTI ETICI DEL MACHINE LEARNING (2 ORE)
-GESTIONE PREVISIONI INESATTE (1 ORA)
-AI RESPONSABILE (1 ORA)

	Metodi Didattici
	L’INSEGNAMENTO PREVEDE 32 ORE DI DIDATTICA FRONTALE SU ARGOMENTI TEORICI E 16 ORE DI LABORATORIO SUI PRINCIPALI STRUMENTI ED APPLICAZIONI, CON L’OBIETTIVO DI PRESENTARE I CONCETTI E SVILUPPARE CAPACITÀ DI PROGETTARE E IMPLEMENTARE SOLUZIONI PER PROBLEMATICHE CHE SI PRESTANO ALL’UTILIZZO DI SOLUZIONI DI MACHINE LEARNING. GLI ARGOMENTI DEL PROGRAMMA VENGONO PRESENTATI CON L’AUSILIO DI PRESENTAZIONI POWERPOINT, STIMOLANDO DISCUSSIONI CRITICHE CON LA CLASSE. PER OGNI ARGOMENTO TRATTATO, VENGONO ILLUSTRATI POSSIBILI TASK CHE POSSONO ESSERE OGGETTO DI UN PROGETTO DI CORSO DA PARTE DI UNO O PIÙ STUDENTI. PER QUANTO RIGUARDA GLI STRUMENTI APPLICATIVI, OLTRE ALL’UTILIZZO DI PRESENTAZIONI POWERPOINT, NELLE QUALI VENGONO PRESENTATI CONCETTI ED EVENTUALI LINK A FORUM, MANUALI E SITI DI APPROFONDIMENTO, VENGONO EFFETTUATE SIMULAZIONI AL COMPUTER, LE QUALI POSSONO ESSERE ESEGUITE ANCHE DAGLI STUDENTI DALLA PROPRIA POSTAZIONE, AVENDO ESSI LA POSSIBILITÀ DI CHIEDERE CHIARIMENTI E RISOLVERE EVENTUALI PROBLEMI TECNICI INSIEME AL DOCENTE.

Metodi Didattici

L’INSEGNAMENTO PREVEDE 32 ORE DI DIDATTICA FRONTALE SU ARGOMENTI TEORICI E 16 ORE DI LABORATORIO SUI PRINCIPALI STRUMENTI ED APPLICAZIONI, CON L’OBIETTIVO DI PRESENTARE I CONCETTI E SVILUPPARE CAPACITÀ DI PROGETTARE E IMPLEMENTARE SOLUZIONI PER PROBLEMATICHE CHE SI PRESTANO ALL’UTILIZZO DI SOLUZIONI DI MACHINE LEARNING. GLI ARGOMENTI DEL PROGRAMMA VENGONO PRESENTATI CON L’AUSILIO DI PRESENTAZIONI POWERPOINT, STIMOLANDO DISCUSSIONI CRITICHE CON LA CLASSE. PER OGNI ARGOMENTO TRATTATO, VENGONO ILLUSTRATI POSSIBILI TASK CHE POSSONO ESSERE OGGETTO DI UN PROGETTO DI CORSO DA PARTE DI UNO O PIÙ STUDENTI. PER QUANTO RIGUARDA GLI STRUMENTI APPLICATIVI, OLTRE ALL’UTILIZZO DI PRESENTAZIONI POWERPOINT, NELLE QUALI VENGONO PRESENTATI CONCETTI ED EVENTUALI LINK A FORUM, MANUALI E SITI DI APPROFONDIMENTO, VENGONO EFFETTUATE SIMULAZIONI AL COMPUTER, LE QUALI POSSONO ESSERE ESEGUITE ANCHE DAGLI STUDENTI DALLA PROPRIA POSTAZIONE, AVENDO ESSI LA POSSIBILITÀ DI CHIEDERE CHIARIMENTI E RISOLVERE EVENTUALI PROBLEMI TECNICI INSIEME AL DOCENTE.

	Verifica dell'apprendimento
	IL RAGGIUNGIMENTO DEGLI OBIETTIVI DELL’INSEGNAMENTO E CERTIFICATO MEDIANTE IL SUPERAMENTO DI UN ESAME CON VALUTAZIONE IN TRENTESIMI. L'ESAME PREVEDE UNA PROVA SCRITTA O, IN ALTERNATIVA, PROVE IN ITINERE, LO SVILUPPO DI UN PROGETTO ED UNA PROVA ORALE. IL PROGETTO È FINALIZZATO AD ACCERTARE LA CAPACITA DI APPLICARE LE CONOSCENZE ACQUISITE. ESSO PUÒ ESSERE SVOLTO INDIVIDUALMENTE O IN GRUPPI DI MASSIMO 3 PERSONE, SCEGLIENDO TRA UN VENTAGLIO DI PROPOSTE FATTE DAL DOCENTE, CON LA POSSIBILITÀ DI SVOLGERE UN PROGETTO CONGIUNTO CON ALCUNI DEGLI ALTRI CORSI DELLA LAUREA TRIENNALE O DI PARTECIPARE A DELLE COMPETIZIONI INTERNAZIONALI DI MACHINE LEARNING. DURANTE LO SVOLGIMENTO DEL PROGETTO GLI STUDENTI DOVRANNO INTERAGIRE CON IL DOCENTE DEL CORSO AL FINE DI COMUNICARE GLI STATI DI AVANZAMENTO DELLO STESSO E LE EVENTUALI CRITICITÀ EMERSE, CONCORDANDO OBIETTIVI E MODALITÀ DI PROSECUZIONE DEL PROGETTO. AL TERMINE DEL PROGETTO GLI STUDENTI DEVONO CONSEGNARE AL DOCENTE UNA TESINA CONTENENTE LA DOCUMENTAZIONE DI PROGETTO ED UNA PRESENTAZIONE POWERPOINT DEL PROGETTO DELLA DURATA DI CIRCA 30 MINUTI. SUCCESSIVAMENTE ALLA PRESENTAZIONE DEL PROGETTO GLI STUDENTI DEVONO SOSTENERE UNA PROVA ORALE INDIVIDUALE. TALE PROVA CONSISTE IN UN COLLOQUIO CON DOMANDE E DISCUSSIONE SUI CONTENUTI TEORICI E METODOLOGICI TRATTATI A LEZIONE ED E FINALIZZATA AD ACCERTARE LA CAPACITA DI CONOSCENZA E COMPRENSIONE, NONCHÉ LA CAPACITA DI ESPOSIZIONE DEI CONCETTI. LA PROVA ORALE PUÒ ESSERE SVOLTA NELLA STESSA DATA DELLA PRESENTAZIONE DEL PROGETTO, OPPURE IN ALTRA DATA CHE I SINGOLI MEMBRI DEL GRUPPO POSSONO CONCORDARE CON IL DOCENTE. IL VOTO FINALE SCATURISCE, GENERALMENTE, DALLA MEDIA DEI VOTI IN TRENTESIMI CONSEGUITI IN CIASCUNA DELLE TRE PROVE.

Verifica dell'apprendimento

IL RAGGIUNGIMENTO DEGLI OBIETTIVI DELL’INSEGNAMENTO E CERTIFICATO MEDIANTE IL SUPERAMENTO DI UN ESAME CON VALUTAZIONE IN TRENTESIMI. L'ESAME PREVEDE UNA PROVA SCRITTA O, IN ALTERNATIVA, PROVE IN ITINERE, LO SVILUPPO DI UN PROGETTO ED UNA PROVA ORALE. IL PROGETTO È FINALIZZATO AD ACCERTARE LA CAPACITA DI APPLICARE LE CONOSCENZE ACQUISITE. ESSO PUÒ ESSERE SVOLTO INDIVIDUALMENTE O IN GRUPPI DI MASSIMO 3 PERSONE, SCEGLIENDO TRA UN VENTAGLIO DI PROPOSTE FATTE DAL DOCENTE, CON LA POSSIBILITÀ DI SVOLGERE UN PROGETTO CONGIUNTO CON ALCUNI DEGLI ALTRI CORSI DELLA LAUREA TRIENNALE O DI PARTECIPARE A DELLE COMPETIZIONI INTERNAZIONALI DI MACHINE LEARNING. DURANTE LO SVOLGIMENTO DEL PROGETTO GLI STUDENTI DOVRANNO INTERAGIRE CON IL DOCENTE DEL CORSO AL FINE DI COMUNICARE GLI STATI DI AVANZAMENTO DELLO STESSO E LE EVENTUALI CRITICITÀ EMERSE, CONCORDANDO OBIETTIVI E MODALITÀ DI PROSECUZIONE DEL PROGETTO. AL TERMINE DEL PROGETTO GLI STUDENTI DEVONO CONSEGNARE AL DOCENTE UNA TESINA CONTENENTE LA DOCUMENTAZIONE DI PROGETTO ED UNA PRESENTAZIONE POWERPOINT DEL PROGETTO DELLA DURATA DI CIRCA 30 MINUTI. SUCCESSIVAMENTE ALLA PRESENTAZIONE DEL PROGETTO GLI STUDENTI DEVONO SOSTENERE UNA PROVA ORALE INDIVIDUALE. TALE PROVA CONSISTE IN UN COLLOQUIO CON DOMANDE E DISCUSSIONE SUI CONTENUTI TEORICI E METODOLOGICI TRATTATI A LEZIONE ED E FINALIZZATA AD ACCERTARE LA CAPACITA DI CONOSCENZA E COMPRENSIONE, NONCHÉ LA CAPACITA DI ESPOSIZIONE DEI CONCETTI. LA PROVA ORALE PUÒ ESSERE SVOLTA NELLA STESSA DATA DELLA PRESENTAZIONE DEL PROGETTO, OPPURE IN ALTRA DATA CHE I SINGOLI MEMBRI DEL GRUPPO POSSONO CONCORDARE CON IL DOCENTE.
IL VOTO FINALE SCATURISCE, GENERALMENTE, DALLA MEDIA DEI VOTI IN TRENTESIMI CONSEGUITI IN CIASCUNA DELLE TRE PROVE.

	Testi
	1.CHIP HUYEN, DESIGNING MACHINE LEARNING SYSTEMS - AN ITERATIVE PROCESS FOR PRODUCTION-READY APPLICATIONS, O’REILLY (2022). 2.ANDREAS LINDHOLM, NIKLAS WAHLSTRÖM, FREDRIK LINDSTEN, THOMAS B. SCHÖN, MACHINE LEARNING - A FIRST COURSE FOR ENGINEERS AND SCIENTISTS CAMBRIDGE UNIVERSITY PRESS (2022). 3.HAYDEN LIU, PYTHON MACHINE LEARNING BY EXAMPLE – PACKT (2022) – TERZA EDIZIONE. 4.JOHN V. GUTTAG, INTRODUCTION TO COMPUTATION AND PROGRAMMING USING PYTHON WITH APPLICATION TO COMPUTATIONAL MODELING AND UNDERSTANDING DATA – MIT PRESS (2021) – TERZA EDIZIONE.

Testi

1.CHIP HUYEN, DESIGNING MACHINE LEARNING SYSTEMS - AN ITERATIVE PROCESS FOR PRODUCTION-READY APPLICATIONS, O’REILLY (2022).

2.ANDREAS LINDHOLM, NIKLAS WAHLSTRÖM, FREDRIK LINDSTEN, THOMAS B. SCHÖN, MACHINE LEARNING - A FIRST COURSE FOR ENGINEERS AND SCIENTISTS CAMBRIDGE UNIVERSITY PRESS (2022).

3.HAYDEN LIU, PYTHON MACHINE LEARNING BY EXAMPLE – PACKT (2022) – TERZA EDIZIONE.

4.JOHN V. GUTTAG, INTRODUCTION TO COMPUTATION AND PROGRAMMING USING PYTHON WITH APPLICATION TO COMPUTATIONAL MODELING AND UNDERSTANDING DATA – MIT PRESS (2021) – TERZA EDIZIONE.

	Altre Informazioni
	LA FREQUENZA DEL CORSO È FORTEMENTE CONSIGLIATA. GLI STUDENTI DEVONO ESSERE PREPARATI A TRASCORRERE UNA CONGRUA QUANTITÀ DI TEMPO NELLO STUDIO AL DI FUORI DELLE LEZIONI. UNA PREPARAZIONE SODDISFACENTE RICHIEDE IN MEDIA 1 ORA DI STUDIO PER CIASCUNA ORA TRASCORSA IN AULA E CIRCA 80 ORE PER LO SVILUPPO DEL PROGETTO. IL MATERIALE DELLE LEZIONI SARÀ DISPONIBILE SULLA PIATTAFORMA E-LEARNING DIPARTIMENTALE HTTP://ELEARNING.INFORMATICA.UNISA.IT/EL-PLATFORM/

Altre Informazioni

LA FREQUENZA DEL CORSO È FORTEMENTE CONSIGLIATA. GLI STUDENTI DEVONO ESSERE PREPARATI A TRASCORRERE UNA CONGRUA QUANTITÀ DI TEMPO NELLO STUDIO AL DI FUORI DELLE LEZIONI. UNA PREPARAZIONE SODDISFACENTE RICHIEDE IN MEDIA 1 ORA DI STUDIO PER CIASCUNA ORA TRASCORSA IN AULA E CIRCA 80 ORE PER LO SVILUPPO DEL PROGETTO.
IL MATERIALE DELLE LEZIONI SARÀ DISPONIBILE SULLA PIATTAFORMA E-LEARNING DIPARTIMENTALE HTTP://ELEARNING.INFORMATICA.UNISA.IT/EL-PLATFORM/

Orari Lezioni

BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-11-18]

Giuseppe POLESE | MACHINE LEARNING