Dipartimento di Ingegneria e architettura Ingegneria dell’intelligenza artificiale e della sicurezza informatica Machine Learning ING-INF/05 (9 CFU) – (Ingegneria dell’Intelligenza Artificiale e della Sicurezza Informatica) PdS 2023-2024 – I anno

Home Didattica Corsi di Laurea triennali e Magistrali Ingegneria dell’intelligenza artificiale e della sicurezza informatica (Ingegneria dell’Intelligenza artificiale e della Sicurezza informatica) Frequentare il corso (Ingegneria dell’Intelligenza Artificiale e della Sicurezza Informatica) PdS 2023-2024 Machine Learning ING-INF/05 (9 CFU) – (Ingegneria dell’Intelligenza Artificiale e della Sicurezza Informatica) PdS 2023-2024 – I anno
Insegnamento Machine Learning
CFU 9
Settore Scientifico Disciplinare ING-INF/05
Metodologia didattica

Lezioni Frontali

Nr. ore di aula 36
Nr. ore di studio autonomo 171
Nr. ore di laboratorio 24
Mutuazione no
Annualità I
Periodo di svolgimento II semestre
Docente Ruolo SSD docente
La Quatra Moreno RTD ING-INF/05
* PO (professore ordinario), PA (professore associato), RTD (ricercatore a tempo determinato), RU (Ricercatore a tempo indeterminato), DC (Docente a contratto).
Propedeuticità Nessuna
Sede delle lezioni Dipartimento di Ingegneria e Architettura
Orario delle lezioni

L’orario delle lezioni sarà pubblicato sulla pagina web del sito Unikore:

https://gestioneaule.unikore.it/agendaweb_unikore/index.php?view=easycourse&_lang=it

 

Obiettivi formativi

L’insegnamento ha lo scopo di fornire una solida introduzione al machine learning (apprendimento automatico), che è una branca dell’intelligenza artificiale e dell’informatica che ha come scopo l’uso di dati e algoritmi per imitare il modo in cui gli esseri umani apprendono, migliorandone gradualmente la precisione. Il corso tratterà i concetti di base del machine learning e si concentrerà sull’ampia classe dei modelli lineari generativi e dei classificatori discriminativi basati sulla regressione logistica. Inoltre, si tratteranno argomenti come clustering, support vector machine, dimensionality reduction, e reti neurali artificiali. L’obiettivo del corso è fornire agli studenti solide basi teoriche che consentano loro di selezionare, applicare e valutare diversi metodi di machine learning su compiti reali. Gli studenti acquisiranno anche le competenze richieste per ideare nuovi approcci basati sui framework che verranno presentati durante le lezioni. Il corso prevede attività di laboratorio che consentiranno agli studenti di esercitare le nozioni teoriche sui dati reali utilizzando moderni framework di programmazione ampiamente utilizzati sia dalle comunità di ricerca che dalle aziende.

Contenuti del Programma
N. ARGOMENTO TIPOLOGIA DURATA
1 Introduzione al Machine Learning Frontale 1h
2 Concetti di base di Teoria della Probabilità e Distribuzioni

di Probabilità

Frontale 2h
3 Sviluppo di esempi di teoria della probabilità Laboratorio 3h
4 Introduzione alle librerie in Python per Machine Learning Frontale 4h
5 Sviluppo di esempi sulle librerie Python per Machine Learning Laboratorio 4h
6 Principi di Teoria della Decisione e dell’Informazione Frontale 2h
7 Principi di valutazione dei Modelli Frontale 4h
8 Modelli lineari per la regressione Frontale 4h
9 Sviluppo di esercizi su regressione lineare Laboratorio 4h
10 Modelli lineari per la classificazione Frontale 4h
11 Sviluppo di esercizi su classificazione Laboratorio 4h
12 Reti Neurali Artificiali Frontale 5h
13 Sviluppo di esercizi su reti neurali Laboratorio 5h
14 Support Vector Machine Frontale 4h
15 Clustering (K-means e Mixture of Gaussians) Frontale 4h
16 Sviluppo di esercizi sul clustering Laboratorio 4h
17 Dimensionality Reduction (PCA and LDA, Probabilistic PCA) Frontale 2h
Risultati di apprendimento (descrittori di Dublino)

I risultati di apprendimento attesi sono definiti secondo i parametri europei descritti dai cinque descrittori di Dublino.

  1. Conoscenza e capacità di comprensione: L’insegnamento si propone di fornire una base solida per la progettazione strutturata di sistemi di machine learning. Gli studenti saranno in grado di comprendere le motivazioni teoriche alla base dei vari metodi di classificazione, regressione e clustering, nonché le loro proprietà principali, applicazioni e limitazioni.
  2. Conoscenza e capacità di comprensione applicate: Alla fine del corso, gli studenti acquisiranno una buona conoscenza dei principali principi di base dell’apprendimento automatico applicato al riconoscimento e alla classificazione di pattern. Acquisiranno inoltre le conoscenze delle principali tecniche di classificazione, inclusi i modelli gaussiani lineari generativi e gli approcci discriminativi basati sulla regressione logistica, le support vector machine e le reti neurali artificiali. Gli studenti saranno in in grado di implementare i diversi algoritmi utilizzando linguaggi di programmazione framework diffusi (Python e PyTorch), sapranno applicarli a casi d’uso reali, valutarne l’efficacia e analizzare quale approccio sia più adatto alle diverse applicazioni. Infine sapranno trasferire le conoscenze e le capacità acquisite per risolvere nuovi problemi di classificazione e regressione, sviluppando nuovi metodi basati sui framework che verranno discussi durante il corso.
  3. Autonomia di giudizio: Gli studenti saranno in grado di valutare la qualità di un modello di machine learning in termini di semplicità, leggibilità, efficienza e riutilizzabilità. Utilizzando le conoscenze acquisite, potranno valutare le prestazioni dei modelli utilizzando metriche quantitative. L’autonomia di giudizio sarà valutata esaminando le soluzioni proposte dagli studenti a problemi di media complessità.
  4. Abilità comunicative: Gli studenti acquisiranno la capacità di comunicare in modo chiaro e appropriato le problematiche relative all’oggetto dell’attività formativa utilizzando una terminologia corretta.
  5. Capacità di apprendere: Gli studenti svilupperanno la capacità di analizzare i requisiti di una proposta progettuale e proporre soluzioni efficienti ed efficaci. Inoltre avranno gli strumenti per approfondire autonomamente le conoscenze di base impartite durante il corso.
Testi per lo studio della disciplina

Testo di riferimento:

  • Christopher M. Bishop. 2006. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag, Berlin, Heidelberg.

Testi di approfondimento:

  • Kevin P. Murphy. 2012. Machine Learning: A Probabilistic Perspective. The MIT Press.
Modalità di accertamento delle competenze

L’accertamento delle competenze avverrà attraverso una prova orale basata su un progetto individuale o di gruppo. In particolare l’esame orale consisterà di due parti:

  • la valutazione di un progetto da sviluppare a fine dell’insegnamento che riguarderà un problema di classificazione, regressione o clustering,
  • una valutazione delle competenze acquisite durante il corso.

Gli studenti potranno scegliere progetti individuali o (piccoli) gruppi tra una serie di possibili scelte. Per ogni progetto verrà fornita una collezione di dati e gli studenti dovranno sviluppare modelli adeguati sulla base degli argomenti presentati a lezione. La verifica delle conoscenze si svilupperà a partire da una discussione della relazione di progetto ed avrà come scopo la valutazione della comprensione teorica dei principi di base del machine learning; conoscenza e comprensione dei diversi approcci presentati durante il corso; capacità dello studente di analizzare e valutare criticamente i diversi approcci, con particolare attenzione alla loro applicabilità a diversi casi d’uso.

 

Il voto sarà espresso, secondo il seguente schema di valutazione:

  • Ottimo (30-30 e lode): Ottima conoscenza e comprensione degli argomenti riguardanti il machine learning (individuazione di una soluzione eccellente per la messa a punto del progetto assegnato). Eccellenti capacità espositive.
  • Molto buono (26-29): Buona conoscenza e comprensione degli argomenti riguardanti il machine learning (individuazione di una soluzione ottima per la messa a punto del progetto assegnato). Ottime capacità espositive.
  • Buono (24-25): Buona conoscenza e comprensione degli argomenti riguardanti il machine learning (individuazione di una soluzione buona per la messa a punto del progetto assegnato). Buone capacità espositive.
  • Discreto (21-23): Discreta conoscenza e comprensione degli argomenti riguardanti il machine learning (individuazione di una soluzione discreta per la messa a punto del progetto assegnato). Discrete capacità espositive.
  • Sufficiente (18-20): Conoscenza minima degli argomenti riguardanti il machine learning (individuazione di una soluzione accettabile per la messa a punto del progetto assegnato).
  • Insufficiente: Manca di una conoscenza accettabile degli argomenti riguardanti il machine learning.
Date di esame

Le date di esami saranno pubblicate nell’agenda web del sito Unikore:

https://gestioneaule.unikore.it/agendaweb_unikore/index.php?view=easytest&_lang=it

Indietro