PRESENTAZIONE

Nell'era dell'informazione qualunque sistema o dispositivo genera una qualche forma di dati per scopi diagnostici o di analisi.
Il corso dettaglia le tecniche di analisi dei dati allo scopo di ricavarne informazioni e nuova conoscenza per il supporto alle decisioni.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

The course is designed to equip students with advanced knowledge and skills in the fields of machine learning and data analysis. Building upon foundational concepts, students delve into cutting-edge techniques and methodologies essential for tackling real-world problems in diverse domains. The course addresses a comprehensive review of fundamental machine learning algorithms, including supervised and unsupervised learning, and deep learning architectures. Through hands-on exercises and projects, students gain proficiency in implementing these algorithms using popular libraries.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Lo studente sarà in grado di applicare le conoscenze acquisite ad un caso di studio reale ricavando il modello del fenomeno che ha generato i dati in esame.

During the course the following skills will be developed
- personal competence
- social competence
- ability to learn to learn
- competence in project creation
- competence in project management

PREREQUISITI

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

MODALITA' DIDATTICHE

- Lezioni frontali (approx. 50%) (per sviluppare capacità di imparare a imparare)
- Esercitazioni (approx. 50%) (per sviluppare competenza personale)
- Possibilità di un progetto finale in coppia (per sviluppare competenza sociale, competenza in creazione progettuale e competenza in gestione progettuale)

Si consigliano gli studenti lavoratori e gli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali di contattare il docente all’inizio del corso per concordare modalità didattiche e d’esame che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali.

PROGRAMMA/CONTENUTO

1. Inferenza statistica
2. Apprendimento supervisionato, semisupervisionato, e non supervisionato
3. Teoria dell'apprendimento statistico
4. Algorithmi Shallow di Machine Learning (esempi in linguaggio Python)
5. Algorithmi Deep di Machine Learning (esempi in linguaggio Python)
6. Generative AI
7. Model Selection e Error Estimation

TESTI/BIBLIOGRAFIA

T. Hastie, R.Tibshirani, J.Friedman "The Elements of Statistical Learning: Data Mining, Inference, and Prediction" 2009.
S. Shalev-Shwartz, S. Ben-David "Understanding machine learning: From theory to algorithms" 2014
C. M. Bishop, H. Bishop. Deep learning: Foundations and concepts. Springer Nature, 2023.
L. Oneto "Model Selection and Error Estimation in a Nutshell" 2020

DOCENTI E COMMISSIONI

Commissione d'esame

LUCA ONETO (Presidente)

FABIO ROLI

DAVIDE ANGUITA (Presidente Supplente)

LEZIONI

INIZIO LEZIONI

https://easyacademy.unige.it/portalestudenti/index.php?view=easycourse&_lang=it&include=corso

Orari delle lezioni

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

ESAMI

MODALITA' D'ESAME

Orale su appuntamento

MODALITA' DI ACCERTAMENTO

Lo studente risolverà un problema reale a piacere applicando le tecniche apprese durante il corso.