CODICE 109174 ANNO ACCADEMICO 2024/2025 CFU 4 cfu anno 1 ENGINEERING TECHNOLOGY FOR STRATEGY (AND SECURITY) 10728 (LM/DS) - GENOVA SETTORE SCIENTIFICO DISCIPLINARE ING-INF/01 LINGUA Inglese SEDE GENOVA PERIODO 2° Semestre MATERIALE DIDATTICO AULAWEB PRESENTAZIONE Il corso intende introdurre il discente alla teoria ed alle applicazioni del machine learning. OBIETTIVI E CONTENUTI OBIETTIVI FORMATIVI Il modulo mira a introdurre lo studente alle conoscenze e agli strumenti fondamentali e all'avanguardia sugli algoritmi/modelli di apprendimento automatico. L'obiettivo è che gli studenti diventino in grado di affrontare problemi del mondo reale, utilizzando tecniche di apprendimento supervisionate e non supervisionate. OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO L’obiettivo principale del corso è che lo studente giunga a possedere un’ampia conoscenza delle tecniche fondamentali di machine learning allo stato dell’arte (fino alle reti neurali dense). Per ogni argomento trattato, lo studente avrà l’opportunità di apprendere le basi teoriche, e di studiare alcuni esempi applicativi. Esempi ed esercizi sono proposti, e solitamente risolti in classe, per ogni argomento, al fine di stimolare l’applicazione e verificare l’acquisizione delle conoscenze. Gli esempi ed esercizi del corso utilizzeranno il linguaggio python e le librerie sk-learn e Keras/Tensorflow. I risultati di apprendimento riguardano la realizzazione degli obiettivi formativi di cui sopra, anche attraverso l’analisi di casi applicativi. PREREQUISITI Fondamenti di programmazione (in particolare linguaggio python) MODALITA' DIDATTICHE Lezioni frontali, con utilizzo di slide, ed esempi/esercizi svolti al PC, utilizzando principalmente le librerie sk-learn e Keras/Tensorflow, in linguaggio python. Ricevimento studenti. Proposta, realizzazione e discussione di un progetto. PROGRAMMA/CONTENUTO Machine learning Introduction to machine learning Pre-processing Metrics for regression and classification Linear regression Gradient descent Classification Training Regularization Decision trees Ensamble learning Random forests Neural networks. Multilayer perceptron for regression and classification Principal Component Analysis Unsupervised machine learning (clustering) (Genetic algorithms) TESTI/BIBLIOGRAFIA A. Geron, Hands-On Machine Learning With Scikit-Learn and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent, O’ Reilly I. Goodfellow, Y. Bengio and A. Courville, Deep Learning, The MIT Press Appunti del corso e altro materiale suggerito dal docente durante il corso DOCENTI E COMMISSIONI FRANCESCO BELLOTTI Ricevimento: Su appuntamento: mail (francesco.bellotti@unige.it) o Teams o dopo lezione Commissione d'esame FRANCESCO BELLOTTI (Presidente) MATTEO FRESTA RICCARDO BERTA (Presidente Supplente) LEZIONI INIZIO LEZIONI https://easyacademy.unige.it Orari delle lezioni L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy ESAMI MODALITA' D'ESAME Lo studente proporrà e concorderà preliminarmente con il docente un dataset su cui preparare un Jupyter notebook (simile a quelli visti a lezione) per implementare criticamente un compito di machine lerarning (ad esempio, classificazione, regressione, clustering). Questo include anche il pre-processing, il training di vari modelli, la regolazione degli iperparametri e il test complessivo. Durante l'esame lo studente presenterà questo lavoro. Poi, i docenti faranno domande potenzialmente su tutti gli argomenti del corso. MODALITA' DI ACCERTAMENTO La verifica delle conoscenze acquisite e la capacità di applicarle anche in contesti diversi da quelli presentatui a lezione verranno valutate tramite domande nel colloquio d’esame. La valutazione terrà anche presente la partecipazione dello studente durante il corso. Calendario appelli Data appello Orario Luogo Tipologia Note 16/01/2025 09:00 GENOVA Orale 05/02/2025 09:00 GENOVA Orale 12/06/2025 09:00 GENOVA Orale 02/07/2025 09:00 GENOVA Orale 22/07/2025 09:00 GENOVA Orale 03/09/2025 09:00 GENOVA Orale