PRESENTAZIONE

La quantità di dati nelle applicazione 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

Preparare gli studenti a operare al meglio sfruttando i moderni strumenti di AI sia per costruire Modelli Predittivi Complessi sia per generare nuovi contenuti (testi, immagini, suoni, video) modellati sulle esigenze dei destinatari delle analisi. Fornire una comprensione approfondita dei concetti fondamentali della Predictive AI e della Generative AI. Lo studente sarà in grado di affrontare in gruppo un problema di analisi dati, generare automaticamente un report e comprendere così un fenomeno aziendale.

PREREQUISITI

Programmazione (Matlab/Python/R), algebra lineare, probabilità e statistica, Machine Learning

MODALITA' DIDATTICHE

Il corso alterna lezioni frontali con sessioni di esercitazioni pratiche al calcolatore in linguaggio Matlab/Python/R

PROGRAMMA/CONTENUTO

1   Introduzione alla data science in ambito aziendale
2   Metodi classici di machine learning per problemi di classificazione e regressione
3   Approcci data-centrici per migliorare i dataset reali
4   Metodi di selezione ottimale delle features utilizzate
5   Reti neurali e deep learning
6   Reti convolutive (CNN)
7   Applicazioni alla computer vision
8   Definizione di Predictive AI e Generative AI.
9   Predictive AI: dalla feature engineering alla definizione di Embedding. Proiezione nello spazio degli embedding e algoritmi di clustering e classificazione.
10  Introduzione alle Reti Neurali Ricorrenti (RNN)
11  Storia e sviluppo della Generative AI.
12  Introduzione alle GAN (Generative Adversarial Networks)
13  Il concetto di Transformer e di (Self-)Attention
14  Applicazioni della Generative AI:
15  Generazione di testo creativo.
16  Generazione di immagini e arte generativa.
17  Applicazioni in medicina, finanza, e altri settori.

TESTI/BIBLIOGRAFIA

"Deep Learning" di Ian Goodfellow, Yoshua Bengio, e Aaron Courville.
"Generative Deep Learning" di David Foster.
"Probabilistic Machine Learning" di K,P.Murphy (Volume 1)
"An Introduction to Statistical Learning with Applications in Python", di G.James e altri
Articoli scientifici e risorse online per le specifiche tecniche e applicazioni.

DOCENTI E COMMISSIONI

Commissione d'esame

FRANCESCO PORRO (Presidente)

FABRIZIO MALFANTI

EVA RICCOMAGNO (Supplente)

SARA SOMMARIVA (Supplente)

LEZIONI

INIZIO LEZIONI

Dal 17 febbraio 2025 secondo l'orario riportato qui 

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.

Calendario appelli

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