CIRIACO D'AMBROSIO | SISTEMI DI SUPPORTO ALLE DECISIONI
CIRIACO D'AMBROSIO SISTEMI DI SUPPORTO ALLE DECISIONI
cod. 0522200049
SISTEMI DI SUPPORTO ALLE DECISIONI
| 0522200049 | |
| DIPARTIMENTO DI MATEMATICA | |
| CORSO DI LAUREA MAGISTRALE | |
| MATEMATICA | |
| 2022/2023 |
| ANNO CORSO 2 | |
| ANNO ORDINAMENTO 2018 | |
| SECONDO SEMESTRE |
| SSD | CFU | ORE | ATTIVITÀ | |
|---|---|---|---|---|
| MAT/09 | 6 | 48 | LEZIONE |
| Obiettivi | |
|---|---|
| CONOSCENZA E CAPACITA DI COMPRENSIONE: IL CORSO SI PROPONE DI FORNIRE UNA SERIE DI STRUMENTI PER AFFRONTARE PROBLEMI DECISIONALI CARATTERIZZATI DA UN ALTO LIVELLO DI COMPLESSITA, DA SITUAZIONI DI INCERTEZZA SUI DATI, O DALLA PRESENZA DI OBIETTIVI MULTIPLI E CONFLITTUALI.APPROCCI BASATI SU MODELLI MATEMATICI PER L’APPRENDIMENTO AUTOMATICO (MACHINE LEARNING) ED IL DATA MINING: PROBLEMI DI CLASSIFICAZIONE ED IDENTIFICAZIONE. PROBLEMI DI MINIMIZZAZIONE DEGLI ERRORI DI CLASSIFICAZIONE. CAPACITA DI APPLICARE LE CONOSCENZE ACQUISITE E COMPRENSIONE: IL CORSO HA UNA FORTE CONNOTAZIONE METODOLOGICA E APPLICATIVA. OLTRE AL NECESSARIO CONTENUTO TEORICO, VERRA DATO PARTICOLARE RISALTO ALL’UTILIZZO DI STRUMENTI SOFTWARE E SI PORRA PARTICOLARE ATTENZIONE ALLO SVILUPPO DI ESEMPI E PROGETTI DA PARTE DEGLI STUDENTI. |
| Prerequisiti | |
|---|---|
| GLI STUDENTI DEVONO AVERE CHIARI I CONCETTI BASE DI MATEMATICA DISCRETA E RICERCA OPERATIVA E DI TEORIA DELLA PROBABILITÀ E STATISTICA. |
| Contenuti | |
|---|---|
| IL CORSO PROPONE CONTENUTI SIA SCIENTIFICI CHE TECNOLOGICI. I CONTRIBUTI SCIENTIFICI RIGUARDANO LE CONOSCENZE NECESSARIE PER SVILUPPARE UN MODULO DI DATA ANALYTICS E RIGUARDANO COMPETENZE DI OTTIMIZZAZIONE APPLICATE A MODELLISTICA DI PROCESSI DECISIONALI. IN PARTICOLARE VERRANNO AFFRONTATI: - MODELLI PREVISIONALI: RETI NEURALI (FEEDFORWARD, CONVOLUTIONAL, DEEP LEARNING) - APPRENDIMENTO SUPERVISIONATO: MODELLI DI MACHINE LEARNING: IL PERCETTRONE, ADALINE, SUPPORT VECTOR MACHINE - APPRENDIMENTO NON SUPERVISIONATO: TECNICHE DI CLUSTER. ALGORITMO K-MEANS UTILIZZO DI STRUMENTI INFORMATICI (HARDWARE E SOFTWARE) PER LA REALIZZAZIONE SI SEMPLICI MODELLI DECISIONALI. PRINCIPI DI BASE DEL LINGUAGGIO PYTHON |
| Metodi Didattici | |
|---|---|
| L’INSEGNAMENTO PREVEDE LEZIONI FRONTALI DELLA DURATA DI 48 ORE COMPLESSIVE (6 CFU), CHE SI SVOLGONO IN AULA CON L’AUSILIO DI PROIEZIONI; ALLA FINE DELLA PRESENTAZIONE DI UN ARGOMENTO SONO PREVISTI VARI ESEMPI APPLICATIVI ED ESERCITAZIONI. |
| Verifica dell'apprendimento | |
|---|---|
| LA PROVA DI ESAME È FINALIZZATA A VALUTARE NEL SUO COMPLESSO LE CONOSCENZE E LE CAPACITÀ DI COMPRENSIONE DEI CONCETTI PRESENTATI A LEZIONE, NONCHÉ LA CAPACITÀ DI APPLICARE TALI CONOSCENZE NELLA RISOLUZIONE DI PROBLEMI DECISIONALI. LA PROVA DI ESAME CONSISTE IN UN COLLOQUIO ORALE SUI CONTENUTI DEL CORSO TRAMITE IL QUALE SARANNO VALUTATE LE CONOSCENZE ACQUISITE IN MERITO SIA AGLI ASPETTI TEORICI CHE A QUELLI APPLICATIVI PER LA RISOLUZIONE DI PROBLEMI DECISIONALI. LA VALUTAZIONE DELL'ORALE È ESPRESSA IN TRENTESIMI E TIENE CONTO DELLA CAPACITÀ DI DESCRIZIONE DEL FUNZIONAMENTO DEGLI ALGORITMI PRESENTATI A LEZIONE E DELLA CAPACITÀ DI ESPORRE IN MODO CHIARO E SINTETICO GLI ARGOMENTI STUDIATI. IL LIVELLO DI VALUTAZIONE MINIMO (18) È ATTRIBUITO QUANDO LO STUDENTE MOSTRA UNA CONOSCENZA FRAMMENTARIA DEI CONTENUTI TEORICI E UNA LIMITATA CAPACITÀ DI FORMULARE I PROBLEMI DECISIONALI E DI APPLICARE GLI ALGORITMI RISOLUTIVI. IL LIVELLO DI VALUTAZIONE MASSIMO (30) È ATTRIBUITO QUANDO LO STUDENTE DIMOSTRA UNA CONOSCENZA COMPLETA ED APPROFONDITA DEGLI ARGOMENTI DEL CORSO E MOSTRA UNA NOTEVOLE CAPACITÀ DI INDIVIDUARE I METODI PIÙ APPROPRIATI PER RISOLVERE I PROBLEMI DECISIONALI AFFRONTATI. LA LODE VIENE ATTRIBUITA QUANDO IL CANDIDATO DIMOSTRA SIGNIFICATIVA PADRONANZA DEI CONTENUTI TEORICI ED OPERATIVI E MOSTRA DI SAPER PRESENTARE GLI ARGOMENTI CON NOTEVOLE PROPRIETÀ DI LINGUAGGIO E CAPACITÀ DI ELABORAZIONE AUTONOMA ANCHE IN CONTESTI DIVERSI DA QUELLI PROPOSTI DAL DOCENTE NELLE ATTIVITÀ DIDATTICHE. |
| Testi | |
|---|---|
| - SEBASTIAN RASCHKA, VAHID MIRJALILI: PYTHON MACHINE LEARNING - THIRD EDITION, 2019. - AURÉLIEN GÉRON: HANDS-ON MACHINE LEARNING WITH SCIKIT-LEARN KERAS AND TENSORFLOW 2ND EDITION, O'REILLY, 2019. - HORSTMANN CAY, RANCE D. NECAISE: CONCETTI DI INFORMATICA E FONDAMENTI DI PYTHON, SECONDA EDIZIONE, APOGEO, MAGGIOLI EDITORE, 2019. - GEORGE L. NEMHAUSER, LAURENCE A. WOLSEY, INTEGER AND COMBINATORIAL OPTIMIZATION, 1999. - DIMITRIS BERTSIMAS, JACK DUNN, MACHINE LEARNING UNDER A MODERN OPTIMIZATION LENS, DYNAMIC IDEAS LLC, 2019 - APPUNTI DELLE LEZIONI FORNITI DAL DOCENTE DURANTE IL CORSO. |
| Altre Informazioni | |
|---|---|
| IL CORSO È EROGATO IN ITALIANO. - SI RACCOMANDA LA FREQUENZA SIA ALLE LEZIONI SIA ALLE ESERCITAZIONI. - GLI INDIRIZZI DI POSTA ELETTRONICA DEI DOCENTI SONO: RAFFAELE@UNISA.IT |
BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-08-21]
