OBIETTIVI FORMATIVI

Obiettivo dell'insegnamento è quello di introdurre le competenze necessarie per comprendere ed utilizzare i più importanti paradigmi di Machine Learning. Il percorso formativo si svilupperà lungo due direttrici principali. La prima direttrice è basata sulla didattica frontale e persegue lo scopo di analizzare gli aspetti teorici che stanno alla base di paradigmi quali le reti neurali a singolo strato, il Deep Learning, i modelli di apprendimento basati su kernel, i metodi di clustering e gli alberi decisionali. La seconda direttrice è basata su esercitazioni pratiche e persegue lo scopo di coinvolgere lo studente nei processi implementativi. Nel complesso, le modalità didattiche saranno strutturate in modo da trasmettere allo studente non solo competenze teoriche sui modelli basati su Machine Learning, ma anche gli strumenti pratici per implementare tali modelli su microprocessore e GPU.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Scopo dell'insegnamento è fornire le basi per la progettazione e lo sviluppo di algoritmi di classificazione e regressione. Lo studente viene introdotto a diversi concetti di machine learning (modelli lineari, alberi di decisione, ensemble learning, reti neurali, ecc.) e aiutato a comprenderli attraverso esercizi svolti al calcolatore durante le lezioni frontali sfruttando le principali librerie software del linguaggio Python (NumPy, Pandas, SciKitLearn e TensorFlow). Nella parte finale dell'insegnamento, particolare attenzione verrà posta sull'implementazione dei modelli su dispositivi embedded. 

MODALITA' DIDATTICHE

L'insegnamento è costruito da una parte di lezione frontale e una parte di esercitazione. Durante la lezione frontale, il docente presenta gli argomenti fornendo sempre esempi di codice che vengono provati sul notebook Jupyter. Gli studenti possono utilizzare i propri calcolatori durante la lezione per mettere in pratica quanto proposto dal docente. Durante le esercitazioni, gli studenti devono affrontare al calcolatore problemi reali che possono essere risolti applicando le tecniche viste durante le lezioni frontali.

PROGRAMMA/CONTENUTO

Parte 1 - Algoritmi e tecniche fondamentali
Introduzione e catalogazione degli approcci
Regressione
Classificazione
Modelli Lineari
Alberi di Decisione
Ensemble Learning
Dimensionality Reduction
Algoritmi non supervizionati

Parte 2 - Reti Neurali
Percettrone
MLP
Backpropagation
Reti a convoluzione
Advanced Vision

Parte 3 - Implementazione su dispositivi embedded
Inferenza
Quantizzazione
TensorFlow Lite e TensorFlow Micro
Deployment su piattaforma NVidia Jetson
TinyML

TESTI/BIBLIOGRAFIA

1. Hands-on Machine Learning with Scikit-Learn, Keras and TensorFlow
2. Papers with Code
3. The Elements of Statistical Learning
4. Data Science from Scratch
5. Neural Networks for Machine Learning