ARTIFICIAL INTELLIGENCE: MACHINE LEARNING AND PATTERN RECOGNITION

Anno accademico

2021/2022 Programmi anni precedenti

Titolo corso in inglese

ARTIFICIAL INTELLIGENCE: MACHINE LEARNING AND PATTERN RECOGNITION

Codice insegnamento

CM0492 (AF:365073 AR:193498)

Lingua di insegnamento

Inglese

Modalità

In presenza

Crediti formativi universitari

6

Livello laurea

Laurea magistrale (DM270)

Settore scientifico disciplinare

INF/01

Periodo

I Semestre

Anno corso

2

Spazio Moodle

Link allo spazio del corso

Inquadramento dell'insegnamento nel percorso del corso di studio

Il corso si propone di fornire un'introduzione di base ai principi, alle tecniche e alle principali applicazioni dell'intelligenza artificiale, in particolare all'analisi automatica di testi e immagini.

Risultati di apprendimento attesi

1) Conoscenza storica sulla ricerca svolta nell'ambito dell'intelligenza artificiale.
2) Algoritmi principali di machine learning, con un focus sul sequential data processing.
3) Abilità di base per applicare algoritmi di machine learning nella risoluzione di problemi semplificati.
4) Abilità di base su programmazione scientifica con Python (NumPy, PyTorch, matplotlib, etc.).

Prerequisiti

Conoscenza base di algebra lineare, calcoolo e teoria della probabilità.

Contenuti

Programma provvisorio

1 Panoramica sul Machine Learning
1.1 Computer Vision
1.2 Apprendimento supervisionato/non supervisionato
1.3 Introduzione a Python

2 Esempi di algoritmi supervisionati e non supervisionati
2.1 K-Nearest Neighbors
2.2 K-Means

3. Modelli di Regressione
3.1 Regressione Lineare
3.1 Regressione Logistica

4. Modelli Connessionisti
4.1 Neurone di McCulloch & Pitts
4.2 Percettrone
4.3 Linear Support Vector Machine

5. Apprendimento profondo
5.1 Percettrone Multistrato
5.2 Rete neurale convolutiva
5.3 Rete neurale ricorrente / Long Short-Term Memory
5.4 Attention Model e Transformer

Testi di riferimento

1) Note del docente e risorse web
2) Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar, Foundations of Machine Learning, MIT Press, Second Edition, 2018 || PDF ==> https://cs.nyu.edu/~mohri/mlbook/
3) Kevin Patrick Murphy, Machine Learning: A Probabilistic Perspective, MIT Press, 2012 || PDF ==> https://probml.github.io/pml-book/book0.html
4) Gareth James, Daniela Witten, Trevor Hastie, Rob Tibshirani, An Introduction To Statistical Learning, Springer, 2021 || PDF ==> https://www.statlearning.com/

Modalità di verifica dell'apprendimento

L'esame consiste in un test scritto. In aggiunta, lo studente può presentare un lavoro di gruppo a scelta tra una presentazione o un progetto sugli argomenti trattati nel corso.

Modalità di esame

scritto e orale

Metodi didattici

Lavagna, codice di prgrammazione, diapositive.

Obiettivi Agenda 2030 per lo sviluppo sostenibile

Questo insegnamento tratta argomenti connessi alla macroarea "Città, infrastrutture e capitale sociale" e concorre alla realizzazione dei relativi obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile

Programma definitivo.

Data ultima modifica programma: 15/09/2021