Dipartimento di Ingegneria e architettura Ingegneria dell’intelligenza artificiale e della sicurezza informatica Machine Learning IINF-05/A (9 CFU) – (Ingegneria dell’Intelligenza Artificiale e della Sicurezza Informatica) PdS 2024-2025 – I anno

L’orario delle lezioni sarà pubblicato sulla pagina web del sito Unikore: https://gestioneaule.unikore.it/agendaweb_unikore/index.php?view=easycourse&_lang=it

L’insegnamento ha lo scopo di fornire una solida introduzione al machine learning (apprendimento automatico), branca dell’intelligenza artificiale e dell’informatica che si occupa di strutturare e affinare algoritmi e reti neurali, a partire da dati, imitando il processo di apprendimento umano. Il corso tratterà i concetti avanzati del Machine Learning e introdurrà le Deep Neural Network. Affronterà preliminarmente l’ampia classe dei modelli lineari generativi e dei classificatori discriminativi basati sulla regressione logistica, introdurrà argomenti come clustering, support vector machine, dimensionality reduction, per arrivare a costruire modelli differenti di reti neurali profonde. 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, utilizzando moderni framework di programmazione ampiamente utilizzati sia dalle comunità di ricerca che dalle aziende. Gli studenti acquisiranno anche le competenze richieste per ideare nuovi approcci basati sui framework che verranno presentati durante le lezioni.

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.

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.

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.

Le date di esami saranno pubblicate nell’agenda web del sito Unikore: https://gestioneaule.unikore.it/agendaweb_unikore/index.php?view=easytest&_lang=it

Gli orari di ricevimento saranno pubblicati sulla pagina personale del docente:

https://unikore.it/cdl/ingegneria-dellintelligenza-artificiale-e-della-sicurezza-informatica/persone-e-regolamenti/ingegneria-dellintelligenza-artificiale-e-della-sicurezza-informatica-nicole-dalia-cilia /