PRESENTAZIONE

Questo insegnamento intende fornire agli studenti la comprensione dei principali strumenti concettuali e computazionali riguardanti l'interpretazione di grandi quantià di dati a fini predittivi. L'insegnamento descriverà gli aspetti cruciali relativi all'elaborazione di dati di vario genere, estesi spazialmente e/o temporalmente, introdurrà la teoria della regolarizzazione alla base dei metodi di analisi dati sia in presenza che in assenza di un modello descrittivo qualitativo dei dati. Per lo sviluppo di questi concetti sono di fondamentale importanza il criterio statistico della massima verosimiglianza e l'approccio Bayesiano alla regolarizzazione. Inoltre, l'insegnamento inquadra le moderne tecniche di apprendimento da esempi - note come machine/deep learning - come particolari applicazioni della teoria statistica della regolarizzazione. L'approccio didattico combinerà gli aspetti teorici fondamentali con focus specifici su applicazioni in economia e in altre scienze applicate.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

L'obiettivo generale di questo insegnamento è quello di fornire agli studenti le capacità di comprendere e utilizzare i principali strumenti, concettuali e computazionali, per l'interpretazione di grandi quantità di dati e per il loro utilizzo a fini predittivi.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

L'obiettivo e' rendere gli studenti capaci di:

- comprendere dei dati di varia natura (per es. estesi temporalmente e/o spazialmente) come vettori / matrici.
- elaborare dati tramite operazioni lineari e non lineari
- comprendere e definire le relazioni tra dati come operazioni matematiche tra vettori
- comprendere i modelli descrittive qualitative dei dati
- comprendere l'ipostazione dell'apprendimento da esempi privo di modello qualitativo dei dati.
- impostare problemi di ottimizzazione per determinare le soluzioni di problemi numerici proveneinti dal mondo reale, quali:
- problemi di classificazione
- problemi di regressione 

Alla fine dell'insegnamento, gli studenti saranno in grado di orientarsi nel mondo dell'analisi computazionale dei dati e di comprendere alcuni aspetti dell'intelligenza artificiale. Inoltre avranno ottenuto una certa familiarità con gli strumenti computazionali per l'elaborazione dei dati a fini predittivi

PREREQUISITI

Programmazione in Python

Formati dei dati e questioni di input/output

Aspetti di base dell'analisi numerica e della statistica (modelli lineari generalizzati).

MODALITA' DIDATTICHE

Lezioni frontali (24 ore) ed esercitazioni al calcolatore (24 ore).

Gli studenti con certificazioni valide per Disturbi Specifici dell’Apprendimento (DSA), per disabilità o altri bisogni educativi sono invitati a contattare il docente e il referente di Scuola per la disabilità all’inizio dell’insegnamento per concordare eventuali modalità didattiche che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali. I contatti del docente e referente di Scuola per la disabilità sono disponibili al seguente link: https://unige.it/commissioni/comitatoperlinclusionedeglistudenticondisabilita

PROGRAMMA/CONTENUTO

Analisi dati:

dati estesi teporalmente e spazialmente

modelli descrittivi dei dati

relazioni tra dati prive di modello

Predizione dai dati:

teoria della regolarizzazione

approccio bayesiano

reti neurali

deep learning

TESTI/BIBLIOGRAFIA

Agli studenti verranno forniti lucidi e tracce per le prove di laboratorio

DOCENTI E COMMISSIONI

LEZIONI

INIZIO LEZIONI

Secondo semestre

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

MODALITA' D'ESAME

Prova orale e consegna di elaborati di laboratorio

MODALITA' DI ACCERTAMENTO

Valutazione elaborati di laboratorio ed esame orale. Non sono previsti compitini. La prova orale verterà principalmente sugli argomenti di carattere teorico svolti dai docenti, con l'obiettivo di accertare la comprensione degli stessi, anche mediante la discussione e la giustificazione intuitiva dei concetti analitici e degli esempi applicativi.

La discussione delle prove relative al laboratorio verterà principalmente sul funzionamento dei codici implementati nelle varie prove e sull'interpretazione dei risultati.

ALTRE INFORMAZIONI

Prerequisiti: Gli unici prerequisiti sostanziali sono una conoscenza di base del Python, dei principali formati dei dati e degli aspetti di base dell'analisi numerica e della statistica

Modalità di frequenza: in presenza (e fortemente consigliata)

Modalità di iscrizione esami: da concordare con il docente