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

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.