MACHINE LEARNING FOR ENVIRONMENTAL APPLICATIONS

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.

Computational thinking, calculus, linear algebra, statistics, python programming

1. Introduction
1.1 What is learning?
1.2 What is and why machine learning?
1.3 Types of machine learning
1.4 ML in Environmental Science
1.5 ML Pipeline

2. Python and Colab - Recap

3. Data Preprocessing
3.1 Feature normalization/scaling
3.2 Data Imputation
3.3 Feature Selection/Reduction
3.4 Data visualization
3.5 Outlier removal

4. Supervised Learning
4.1 Training a model: dataset splits
4.2 Overfitting/Underfitting problem
4.3 k-NN, SVM, Decision Tree/Random Forest

5. Unsupervised Learning
5.1 k-Means
5.2 Hierarchical Clustering
5.3 DBSCAN
5.4 Spectral Clustering

6. Semi-Supervised Learning

7. AI/Deep Learning
7.1 Optimization, backpropagation, losses
7.2 Multi-Layer Perceptron
7.3 AutoEncoders
7.4 Convolutional Neural Networks
7.5 RNN/LSTM
7.6 Transformers

9. Environmental Science Applications

Tutti i materiali di studio saranno forniti attraverso Moodle.

L'esame consiste in una prova orale sull'intero programma del corso e presentazione di un paio di articoli scientifici.

orale

Excellent (30 e lode) – Outstanding performance
Very Good (28-29) – Above-average knowledge and application
Good (25-27) – Solid understanding with minor errors
Satisfactory (21-24) – Acceptable but with notable gaps
Pass (18-20) – Minimum required competence
Fail (<18) – Insufficient performance

Lezioni frontali/online, slides e articoli scientifici