48
SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
REGGIO DI CALABRIA
Dati Generali
Periodo di attività
Syllabus
Obiettivi Formativi
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:
- i principi fondamentali dell’intelligenza artificiale, fornendo le competenze per analizzare dati in diversi contesti applicativi;
- le tecniche e gli strumenti per sviluppare, addestrare e valutare modelli di AI, con attenzione alle buone pratiche di implementazione e interpretazione dei risultati.
Prerequisiti
È importante che lo studente abbia conoscenza dei seguenti argomenti:
- elementi di base di programmazione (Fondamenti di Informatica);
- nozioni di base di algebra;
Durante le lezioni verranno richiamati, quando necessario, i concetti fondamentali per garantire la piena comprensione degli argomenti trattati.
Metodi didattici
Il corso prevede 40 ore di lezioni frontali e 8 ore di esercitazioni pratiche al computer.
Le lezioni frontali sono finalizzate all’introduzione dei fondamenti teorici del machine learning.
Le esercitazioni pratiche si svolgono al computer e sono dedicate all’applicazione dei concetti teorici attraverso attività laboratoriali che prevedono lo svolgimento di esercizi pratici in Python.
Verifica Apprendimento
L’esame di accertamento e valutazione consiste in una prova scritta (durata: 2 ore) e nello sviluppo di un progetto.
Durante la prova scritta, gli studenti dovranno rispondere a domande teoriche relative ai principali concetti di machine learning trattati durante il corso.
Il progetto consiste nello sviluppo di un’applicazione di machine learning su un dataset concordato con il docente. Lo studente dovrà documentare le scelte effettuate durante le diverse fasi del lavoro (preprocessing dei dati, scelta e addestramento del modello, metriche di valutazione utilizzate) e presentare i risultati ottenuti in un report sintetico.
La valutazione finale terrà conto sia della padronanza teorica dei concetti sia della capacità di applicazione pratica delle tecniche di machine learning, della correttezza metodologica e della chiarezza espositiva.
Criteri di valutazione:
30 – 30 e lode (Eccellente)
Lo studente dimostra una conoscenza completa e dettagliata degli argomenti trattati, utilizzando una terminologia appropriata e spiegando in modo preciso i principali concetti della disciplina. Evidenzia una comprensione approfondita dei metodi di machine learning, distinguendo chiaramente tra elementi fondamentali e aspetti di supporto. È in grado di integrare conoscenze teoriche e applicative, confrontare diversi approcci metodologici, motivare le scelte progettuali e analizzare criticamente i risultati ottenuti. L’esposizione risulta chiara, rigorosa e ben strutturata.
28 – 29 (Ottimo)
Lo studente dimostra una conoscenza approfondita della materia e una solida comprensione dei principali concetti di machine learning. Sa applicare correttamente le tecniche studiate e interpretare i risultati ottenuti nel progetto. L’esposizione è chiara e ben organizzata, pur potendo presentare lievi imprecisioni o limitazioni nell’approfondimento.
25 – 27 (Buono)
Lo studente possiede una buona conoscenza degli argomenti principali del corso e riesce ad applicare le tecniche di base di machine learning al progetto proposto. Comprende i concetti chiave, anche se non sempre riesce a spiegarli con piena precisione o completezza. L’esposizione è generalmente chiara, ma talvolta schematica o non del tutto approfondita.
22 – 24 (Discreto)
Lo studente dimostra una conoscenza complessivamente adeguata degli argomenti trattati, pur con alcune lacune o incertezze. È in grado di applicare i concetti fondamentali del machine learning, anche se con limitata autonomia o con qualche imprecisione nell’interpretazione dei risultati. L’esposizione è corretta ma non sempre pienamente strutturata.
18 – 21 (Sufficiente)
Lo studente dimostra una conoscenza essenziale dei concetti fondamentali di machine learning, pur con lacune e difficoltà nell’esposizione e nell’applicazione dei metodi studiati. Il progetto e la prova scritta evidenziano una comprensione di base della materia e un’applicazione elementare delle tecniche trattate.
Insufficiente
Lo studente non dimostra una conoscenza adeguata degli argomenti fondamentali del corso. Le risposte alla prova scritta e/o il progetto presentano errori significativi, lacune rilevanti o incapacità di applicare correttamente i concetti di machine learning, non raggiungendo il livello minimo richiesto per il superamento dell’esame.
Testi
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow
Dispense del corso
Notebooks Jupiter forniti durante il corso
Contenuti
Programma del Corso
Il corso è suddiviso in due moduli.
Gli argomenti del primo modulo (3CFU) introducono i concetti di base dell’apprendimento automatico e le tecniche classiche di modellazione predittiva. Gli argomenti sono i seguenti:
(1 CFU)
- Introduzione all’Intelligenza Artificiale e al Machine Learning
- Cenni di Python e librerie fondamentali (NumPy, Pandas, Scikit-learn)
- Preparazione e preprocessing del dataset
(2 CFU)
- Regressione lineare e polinomiale
- Classificazione supervisionata
- Regressione logistica
- Support Vector Machine
- Decision Tree e Random Forest
- Clustering e tecniche di machine learning non supervisionato (cenni)
Il secondo modulo (3 CFU) introduce le reti neurali e le loro applicazioni avanzate nell’elaborazione di immagini, sequenze e testo. Gli argomenti trattati includono:
(1 CFU)
- Fondamenti delle reti neurali artificiali (perceptron, reti feed-forward, backpropagation)
(1 CFU)
- Reti convoluzionali (CNN) per il riconoscimento di immagini
- Nozioni di attacchi adversarial (Cenni)
(1 CFU)
- Reti ricorrenti (RNN, LSTM, GRU) per dati sequenziali
- Introduzione al Natural Language Processing (NLP)
- Modelli di linguaggio di grandi dimensioni (LLM) e loro applicazioni
Risultati Attesi
Conoscenza e comprensione
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.
Capacità di applicare conoscenza e comprensione
Al termine del corso, lo studente è in grado di applicare le conoscenze teoriche acquisite alla progettazione e implementazione di modelli di Machine Learning e Deep Learning per problemi reali. È inoltre in grado di adattare modelli esistenti a nuovi contesti applicativi, valutandone limiti e potenzialità.
Autonomia di giudizio
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.
Abilità comunicative
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.
Capacità di apprendimento
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.
Altre informazioni
Codice Teams: gynvusz
Invito gli studenti ad iscriversi al Team per reperire il materiale didattico.