Stefania TOMASIELLO | INTRODUZIONE AL MACHINE LEARNING
Stefania TOMASIELLO INTRODUZIONE AL MACHINE LEARNING
cod. II12400008
INTRODUZIONE AL MACHINE LEARNING
| II12400008 | |
| DIPARTIMENTO DI INGEGNERIA INDUSTRIALE | |
| CORSO DI LAUREA | |
| INGEGNERIA ELETTRONICA | |
| 2025/2026 |
| OBBLIGATORIO | |
| ANNO CORSO 1 | |
| ANNO ORDINAMENTO 2025 | |
| SECONDO SEMESTRE |
| SSD | CFU | ORE | ATTIVITÀ | |
|---|---|---|---|---|
| NN | 3 | 30 | LEZIONE |
| Obiettivi | |
|---|---|
| GLI OBIETTIVI FORMATIVI CHE IL CORSO INTENDE PERSEGUIRE SONO COSÌ SCHEMATIZZABILI: -INTRODUZIONE AL MACHINE LEARNING (ML); -INTRODUZIONE ALLA PROGRAMMAZIONE IN PYTHON E AGLI STRUMENTI DI ML IN PYTHON. CONOSCENZE E CAPACITÀ DI COMPRENSIONE: AL TERMINE DELLE ATTIVITÀ DIDATTICHE, GLI ALLIEVI SARANNO IN GRADO DI COMPRENDERE LE PRINCIPALI METODOLOGIE DI ML. IN PARTICOLARE, RIUSCIRANNO A SELEZIONARE GLI APPROCCI APPROPRIATI PER LA RISOLUZIONE DI PROBLEMI REALI. GLI ALLIEVI ACQUISIRANNO COMPETENZE RELATIVE ALL’UTILIZZO DEL LINGUAGGIO DI PROGRAMMAZIONE PYTHON, SOPRATTUTTO NEL CONTESTO ML. CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE: AL TERMINE DEL CORSO, GLI ALLIEVI SARANNO IN GRADO DI AFFRONTARE PROBLEMI DI REGRESSIONE, CLASSIFICAZIONE E CLUSTERING CON GLI OPPORTUNI STRUMENTI DI ML. AUTONOMIA DI GIUDIZIO: GLI ALLIEVI ACQUISIRANNO LA CAPACITÀ DI INDIVIDUARE GLI APPROCCI PIÙ ADATTI AL FINE DI OTTENERE LA SOLUZIONE MIGLIORE PER LA RISOLUZIONE DI UN DETERMINATO PROBLEMA. ABILITÀ COMUNICATIVE: AL TERMINE DEL CORSO, GLI ALLIEVI ACQUISIRANNO IL VOCABOLARIO TERMINOLOGICO DI BASE DEL ML. INOLTRE, GLI ALLIEVI SARANNO IN GRADO DI RAPPRESENTARE ATTRAVERSO OPPORTUNI FORMALISMI GRAFICI I TIPICI SCHEMI COMPUTAZIONALI NELL’AMBITO ML. CAPACITÀ DI APPRENDERE: IL CORSO MIRA A SVILUPPARE CAPACITÀ DI APPRENDIMENTO NEGLI STUDENTI TALI DA CONSENTIRE LORO DI AGGIORNARE IN AUTONOMIA LE PROPRIE CONOSCENZE E COMPETENZE. GLI ALLIEVI DOVRANNO ESSERE IN GRADO DI APPLICARE LE CONOSCENZE ACQUISITE A CONTESTI DIFFERENTI DA QUELLI PRESENTATI DURANTE IL CORSO ED APPROFONDIRE GLI ARGOMENTI TRATTATI USANDO MATERIALI E LIBRERIE DIVERSE DA QUELLE PROPOSTE. |
| Prerequisiti | |
|---|---|
| IL CORSO PREVEDE COME PREREQUISITI IL SUPERAMENTO DEL CORSO DI FONDAMENTI DI INFORMATICA |
| Contenuti | |
|---|---|
| CONCETTI DI BASE (6 ORE) INTRODUZIONE ALLE RETI NEURALI. PROBLEMI DI REGRESSIONE, CLASSIFICAZIONE, CLUSTERING. APPLICAZIONE PRATICA/ESERCITAZIONI (RESTANTI ORE) LINGUAGGIO DI PROGRAMMAZIONE: PYTHON. |
| Metodi Didattici | |
|---|---|
| METODI DIDATTICI L’INSEGNAMENTO PREVEDE LEZIONI TEORICHE ED ESERCITAZIONI IN AULA. NELLE ESERCITAZIONI IN AULA, VIENE ASSEGNATO AGLI STUDENTI UN PROBLEMA DA RISOLVERE UTILIZZANDO LE TECNICHE PRESENTATE NELLE LEZIONI TEORICHE. LO SVOLGIMENTO DEL PROBLEMA È GUIDATO DAL DOCENTE E MIRA A SVILUPPARE E RAFFORZARE LE CAPACITÀ DEGLI ALLIEVI DI IDENTIFICARE LE TECNICHE PIÙ IDONEE ALL’APPLICAZIONE. |
| Verifica dell'apprendimento | |
|---|---|
| METODI DI VALUTAZIONE E' PREVISTO LO SVILUPPO DI UN ELABORATO PROGETTUALE, ATTINENTE AGLI ARGOMENTI DEL CORSO. LA VALUTAZIONE DELL'ELABORATO TIENE CONTO DELL'EFFICIENZA DEI METODI UTILIZZATI, NONCHE' DELLA CHIAREZZA NELLA PRESENTAZIONE. IL GIUDIZIO FINALE VIENE ESPRESSO IN TERMINI DI PROVA SUPERATA O NON SUPERATA. PER SUPERARE OCCORRONO 51 PUNTI: NOTEBOOKS CON ESERCIZI GUIDATI SVOLTI IN CLASSE (FINO A 10 PUNTI), ELABORATO PROGETTUALE (FINO A 45 PUNTI). |
| Testi | |
|---|---|
| TESTI CONSIGLIATI - A. ZOLLANVARI, MACHINE LEARNING WITH PYTHON, SPRINGER (2023) - T. T. TEOH, Z. RONG, ARTIFICIAL INTELLIGENCE WITH PYTHON, SPRINGER (2022) MATERIALE DIDATTICO (SLIDES, CODICI) FORNITO DAL DOCENTE DURANTE IL CORSO E RESO DISPONIBILE IN MOODLE. |
| Altre Informazioni | |
|---|---|
| IL CORSO É TENUTO IN ITALIANO. MATERIALE DIDATTICO IN INGLESE. |
BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2025-08-21]
