Salta al contenuto principale
CODICE 102299
ANNO ACCADEMICO 2025/2026
CFU
SETTORE SCIENTIFICO DISCIPLINARE SECS-S/01
LINGUA Italiano
SEDE
  • GENOVA
PERIODO 2° Semestre
MATERIALE DIDATTICO AULAWEB

PRESENTAZIONE

La quantità di dati nelle applicazioni aziendali e industriali è in crescita esponenziale e sono necessari strumenti sempre più efficienti e sofisticati per gestirli.
Il corso presenta le più recenti modalità di trattamento dei dati e di generazione dei contenuti.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

L'insegnamento mira a sviluppare la capacità di estrarre sapere e conoscenza da dati in un contesto aziendale.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Al termine dell'insegnamento, lo studente

  • avrà acquisito una conoscenza di strumenti di AI utilizzati in ambito aziendale sia per costruire modelli predittivi complessi che per generare nuovi contenuti (testi, immagini, suoni, video), modellati sulle esigenze dei destinatari delle analisi
  • saprà operare al meglio in ambito aziendale sfruttando una buona comprensione dei concetti fondamentali della Predictive AI e della Generative AI
  • sarà in grado di affrontare in gruppo un problema di analisi dati, generare automaticamente un report, presentarlo e comprendere così un fenomeno aziendale.

PREREQUISITI

Programmazione (Matlab e/o Python e/o R), algebra lineare, probabilità, statistica descrittiva ed inferenziale.

MODALITA' DIDATTICHE

Il corso consiste in lezioni frontali in aula e seminari tenuti da esperti esterni.

PROGRAMMA/CONTENUTO

  1. Esempi di problemi e metodologie statistiche applicate in ambito aziendale
  2. Cross-Industry Standard Process for Data Mining (CRISP-DM) per la gestione di progetti di data mining
  3. Metodi per la gestione di variabili per modelli statistici
  4. MultiLayer Perceptron (MLP) e Convolutional Neural Networks (CNN)
  5. Introduzione alla Predictive Maintenance
  6. Survival Analysis applicata alla Predictive Maintenance
  7. Definizione di Predictive AI e Generative AI
  8. Predictive AI: dalla feature engineering alla definizione di embedding. Esempi di applicazioni di clustering e classificazione in medicina, finanza e altri settori
  9. Introduzione alle Reti Neurali Ricorrenti (RNN)
  10. Storia e sviluppo della Generative AI
  11. Introduzione alle GAN (Generative Adversarial Networks)
  12. Il concetto di Transformer e di (Self-)Attention
  13. Applicazioni della Generative AI (testi, immagini e arte generativa)

TESTI/BIBLIOGRAFIA

“Deep learning” di Goodfellow, Bengio, Courville. MIT Press Ltd (2016)

“Generative deep learning: teaching machines to paint, write, compose, and play” di Foster. O'Reilly Media (2023)

“Applied survival analysis using R” di Moore. Springer (2016)

“Attention is all you need” di VaswaniShazeer, Parmar, Uszkoreit, Jones, Gomez, Kaiser, Polosukhina (2017). In Guyon, Von Luxburg, Bengio, Wallach, Fergus, Vishwanathan and Garnett (eds.). 31st Conference on Neural Information Processing Systems (NIPS). Advances in Neural Information Processing Systems. Vol. 30. Curran Associates, Inc. arXiv:1706.03762.

“Data mining: practical machine learning tools and techniques - 4th Edition” di WittenFrankHall, PalFoulds. Kaufmann (2016)

Articoli scientifici e risorse online per le specifiche tecniche e applicazioni.

DOCENTI E COMMISSIONI

LEZIONI

INIZIO LEZIONI

In accordo con il calendario accademico approvato dal Consiglio di Corso di Studi.

Orari delle lezioni

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

ESAMI

MODALITA' D'ESAME

Per gli studenti con disabilità o con DSA si rimanda alla sezione Altre Informazioni.

ALTRE INFORMAZIONI

Si ricorda alle studentesse e agli studenti con disabilità o con disturbi specifici dell'apprendimento (DSA) che per poter richiedere adattamenti in sede d'esame occorre prima inserire la certificazione sul sito web di Ateneo alla pagina servizionline.unige.it nella sezione “Studenti”. La documentazione sarà verificata dal Settore servizi per l’inclusione degli studenti con disabilità e con DSA dell’Ateneo, come indicato sul sito federato al link: STATISTICA MATEMATICA E TRATTAMENTO INFORMATICO DEI DATI 8766 | Studenti con disabilità e/o DSA | UniGe | Università di Genova | Corsi di Studio UniGe

Successivamente, con significativo anticipo (almeno 10 giorni) rispetto alla data di esame occorre inviare una e-mail al/alla docente con cui si sosterrà la prova di esame, inserendo in copia conoscenza sia il docente Referente di Scuola per l'inclusione degli studenti con disabilità e con DSA (sergio.didomizio@unige.it) sia il Settore sopra indicato. Nella e-mail occorre specificare:

•            la denominazione dell’insegnamento

•            la data dell'appello

•            il cognome, nome e numero di matricola dello studente

•            gli strumenti compensativi e le misure dispensative ritenuti funzionali e richiesti.

Il/la referente confermerà al/alla docente che il/la richiedente ha diritto a fare richiesta di adattamenti in sede d'esame e che tali adattamenti devono essere concordati con il/la docente. Il/la docente risponderà comunicando se sia possibile utilizzare gli adattamenti richiesti.

Le richieste devono essere inviate almeno 10 giorni prima della data dell’appello al fine di consentire al/alla docente di valutarne il contenuto. In particolare, nel caso in cui si intenda usufruire di mappe concettuali per l’esame (che devono essere molto più sintetiche rispetto alle mappe usate per lo studio) se l’invio non rispetta i tempi previsti non vi sarà il tempo tecnico necessario per apportare eventuali modifiche.

Per ulteriori informazioni in merito alla richiesta di servizi e adattamenti consultare il documento: Linee guida per la richiesta di servizi, di strumenti compensativi e/o di misure dispensative e di ausili specifici

 

Agenda 2030

Agenda 2030
Istruzione di qualità
Istruzione di qualità
Parità di genere
Parità di genere
Lavoro dignitoso e crescita economica
Lavoro dignitoso e crescita economica