MACHINE LEARNING

Il corso offre un'introduzione ai principi, alle tecniche ed alle applicazioni dell'apprendimento automatico e dell'intelligenza artificiale. L'obiettivo è quello di sviluppare negli studenti le competenze critiche nella scelta ed implementazione di una soluzione di analisi dei dati basata su tecniche di apprendimento automatico.

1. Conoscenza e comprensione
1.1. acquisire i modelli principali per la rappresentazione automatica della conoscenza;
1.2. acquisire i modelli principali di apprendimento supervisionato
1.3. acquisire i modelli principali di apprendimento non supervisionato

2. Capacità di applicare conoscenza e comprensione
2.1. saper applicare i modelli studiati a problemi reali;
2.2. sapere valutare criticamente le performance ed il comportamento di un modello applicato ad un problema concreto;

3. Capacità di giudizio
3.1. sapere comprendere quali caratteristiche dei vari modelli di apprendimento automatico meglio si adattano ad un problema dato;
3.2. saper valutare criticamente le caratteristiche teoriche dei modelli proposti;

4. Abilità comunicative
4.1. Sapere comunicare i risultati di un esperimento utilizzando una terminologia appropriata;

5. Capacità di apprendimento
5.1. Saper consultare criticamente i testi di riferimento e la bibliografia in essi contenuta.

Pensiero computazionale, calcolo, algebra lineare, statistica e programmazione in linguaggio python

1. Introduzione
1.1 Che cos'è l'apprendimento?
1.2 Cos'è e perché l'apprendimento automatico?
1.3 Tipi di apprendimento automatico
1.4 Il ML nelle scienze ambientali
1.5 La pipeline di ML

2. Python e Colab - Ripasso

3. Preelaborazione dei dati
3.1 Normalizzazione/scalatura delle caratteristiche
3.2 Imputazione dei dati
3.3 Selezione/riduzione delle caratteristiche
3.4 Visualizzazione dei dati
3.5 Rimozione degli outlier

4. Apprendimento supervisionato
4.1 Addestramento di un modello: suddivisione del set di dati
4.2 Problema di overfitting/underfitting
4.3 k-NN, SVM, albero delle decisioni/foresta casuale

5. Apprendimento non supervisionato
5.1 k-Means
5.2 Clustering gerarchico
5.3 DBSCAN
5.4 Raggruppamento spettrale

6. Apprendimento semi-supervisionato

7. Intelligenza Artificiale/Apprendimento approfondito
7.1 Ottimizzazione, backpropagation, perdite
7.2 Percettrone multistrato
7.3 Autocodificatori
7.4 Reti neurali convoluzionali
7.5 RNN/LSTM
7.6 Trasformers

9. Applicazioni nelle scienze ambientali

Tutti i materiali di studio saranno forniti attraverso Moodle.

L'esame è diviso in due parti:
- una prova orale sull'intero programma del corso (70%)
- lo sviluppo di un semplice progetto individuale di data science in python (30%)

orale

Il/la docente ha il dovere di vigilare affinché siano rispettate le regole di autenticità e originalità delle prove d'esame. Di conseguenza, nei casi in cui vi sia il sospetto di un comportamento irregolare, l'esame può prevedere un ulteriore approfondimento, contestuale alla prova d'esame, che potrà essere realizzato anche in modalità differente rispetto alle modalità sopra riportate.

A. punteggi nella fascia 18-22 verranno attribuiti in presenza di:
- sufficiente conoscenza e capacità di strutturare il progetto;
- limitata capacità di motivare le scelte implementative;
- sufficienti abilità comunicative, specie in relazione all'utilizzo del linguaggio specifico che attiene ai temi del corso;

B. punteggi nella fascia 23-26 verranno attribuiti in presenza di:
- discreta conoscenza e capacità di strutturare il progetto;
- discreta capacità di raccogliere e/o interpretare i dati, proponendo soluzioni implementative efficaci;
- discrete abilità comunicative, specie in relazione all'utilizzo del linguaggio specifico che attiene ai temi del corso;

C. punteggi nella fascia 27-30 verranno attribuiti in presenza di:
- buona o ottima conoscenza e capacità di strutturare il progetto;
- buona o ottima capacità di raccogliere e/o interpretare i dati, proponendo soluzioni implementative innovative;
- abilità comunicative pienamente appropriate, specie in relazione all'utilizzo del linguaggio specifico che attiene ai temi del corso.

D. la lode verrà attribuita in presenza di conoscenza e capacità di comprensione applicata in riferimento al programma, capacità di giudizio e abilità comunicative, eccellenti.

Presentazione powerpoint e lavagna.