Il corso mira a fornire agli studenti le conoscenze teoriche e pratiche necessarie per comprendere e applicare le principali tecniche dell’Intelligenza Artificiale.
Al termine del corso lo studente è in grado di:
A seguito del superamento dell’esame, lo studente conosce e comprende i fondamenti teorici dell’Intelligenza Artificiale, i principali algoritmi di Machine Learning e Deep Learning, le tecniche di pre-processing e analisi dei dati, e le metodologie per la valutazione dei modelli. È inoltre in grado di comprendere la documentazione tecnica degli strumenti e framework più diffusi nel settore.
A seguito del superamento dell’esame, lo studente sarà in grado di valutare in autonomia le diverse alternative metodologiche e algoritmiche nella progettazione di modelli di AI. Saprà confrontare approcci differenti sulla base dei requisiti applicativi, delle prestazioni, dell’interpretabilità, della complessità computazionale e delle considerazioni etiche legate all’uso dei dati.
Durante le fasi di analisi, progettazione e sviluppo di modelli di AI, lo studente sarà in grado di dialogare con stakeholder non tecnici, traducendo problemi espressi in linguaggio naturale in specifiche tecniche e proponendo soluzioni comprensibili, evidenziando vantaggi, limiti e implicazioni delle metodologie adottate. Sarà inoltre in grado di presentare e motivare i risultati ottenuti attraverso visualizzazioni e argomentazioni chiare.
Durante il corso lo studente imparerà a consultare e interpretare documentazione tecnica e risorse online, principalmente in lingua inglese. Ciò gli permetterà di aggiornare autonomamente le proprie competenze e di applicare questa metodologia di studio alle nuove tecnologie emergenti nel campo dell’Intelligenza Artificiale.
È importante che lo studente abbia conoscenza dei seguenti argomenti:
Durante le lezioni verranno richiamati, quando necessario, i concetti fondamentali per garantire la piena comprensione degli argomenti trattati.
Lezioni frontali ed esercitazioni al computer.
L’esame di accertamento e valutazione consiste in una prova scritta e in un progetto individuale.
Durante la prova scritta, gli studenti dovranno rispondere a domande teoriche relativi ai concetti di machine learning affrontati a lezione.
Il progetto individuale consiste nello sviluppo di un’applicazione di machine learning su un dataset concordato con il docente. Lo studente dovrà documentare le scelte effettuate (preprocessing, modello utilizzato, metriche di valutazione) e presentare i risultati in un report sintetico.
Criteri di valutazione:
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow
Dispense del corso
Notebooks Jupiter forniti durante il corso
Il corso è suddiviso in due moduli.
Gli argomenti del primo modulo introducono i concetti di base dell’apprendimento automatico e le tecniche classiche di modellazione predittiva. Gli argomenti sono i seguenti
Il secondo modulo introduce le reti neurali e le loro applicazioni avanzate nell’elaborazione di immagini, sequenze e testo. Gli argomenti trattati includono:
Codice Teams: gynvusz
Invito gli studenti ad iscriversi al Team per reperire il materiale didattico.
