CODICE 98959 ANNO ACCADEMICO 2024/2025 CFU 6 cfu anno 2 INGEGNERIA MECCANICA - PROGETTAZIONE E PRODUZIONE 9269 (LM-33) - LA SPEZIA SETTORE SCIENTIFICO DISCIPLINARE INF/01 LINGUA Inglese SEDE LA SPEZIA PERIODO 1° Semestre MATERIALE DIDATTICO AULAWEB PRESENTAZIONE Il corso fornisce conoscenze di base riguardo a tecniche di machine learning, classiche ed attuali, che possono vantaggiosamente essere applicate in campi diversificati come l'automazione delle linee di produzione, il controllo di qualità, la robotica, la sorveglianza, i veicoli a guida automatica, e molti altri. OBIETTIVI E CONTENUTI OBIETTIVI FORMATIVI Questo insegnamento fornisce una introduzione alle discipline dell'apprendimento automatico e pattern recognition statistica. Gli argomenti comprendono: (1) Elementi e teoria della pattern recognition. (2) Apprendimento supervisionato: concetti e metodi. (3) Apprendimento non supervisionato: concetti e alcuni metodi rappresentativi. (4) Metodo di lavoro e buone pratiche in apprendimento automatico. Il corso presenterà anche casi di problemi risolti con successo e possibili applicazioni e casi di studio nei campi della robotica e della automazione industriale intelligente OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO Lo studente che abbia seguito il corso con profitto sarà in grado di: dimonstrare la conoscenza di un insieme di tecniche e problemi in machine learning e pattern recognition, comprese le motivazioni scientifiche e tecnlogiche alla base applicare alcune tecniche a problemi significativi programmare metodi di machine learning di complessità da bassa a intermedia usando strumenti di programmazione software standard, senza essere vincolato all'uso di librerie affrontare "da cioma a fondo" il workflow di un compito di machine learning dalla manipolazione dei dati alla presentazione dei risultati usare il pensiero critico per analizzare un problema e scegliere il metodo di machine learning più appropriato da applicare PREREQUISITI Conoscenze di base di calcolo, algebra lineare, geometra, tipicamente acquisite al primo o al secondo anno di un corso di studi in ingegneria. Conoscenze di base, ma operative, di programmazione Matlab o Python Ulteriori argomenti di base (elementi di probabilità, di statistica, di ottimizzazione) verranno forniti durante il corso. MODALITA' DIDATTICHE Lezioni, laboratori guidati, compiti a casa assegnati PROGRAMMA/CONTENUTO Introduction, basic concepts, types of problems Linear thershold classifiers Probabilities; Bayesian decision theory (the Naive bayes classifier) Linear regression as a simple learning problem Optimisation (convexity, criteria, gradient descent, stochastic methods) Statistics and learning (sampling, parameter estimation) Parametric and non-parametric methods (Gaussian mixtures, nearest neighbour rules, decision trees/forests) Evaluation of classifiers (methodology, quality indices) Neural networks (history, perceptrons, multilayer perceptrons, the error back-propagation algorithm, deep learning) Unsupervised learning (clustering methods) Mapping and input space transformations (PCA, nonlinear embedding methods, kernel methods, support vector machines) TESTI/BIBLIOGRAFIA Slide/dispense del corso Per una bibliografia dettagliata fare riferimento alla pagina Aulaweb del corso. DOCENTI E COMMISSIONI STEFANO ROVETTA Ricevimento: A disposizione per 20 minuti dopo ciascuna lezione Su appuntamento. Dato che il docente insegna in diversi corsi, in caso di contatto non di persona (email, messaggistica Teams, messaggistica Aulaweb...) è necessario indicare a quale corso di laurea e insegnamento ci si riferisce. Commissione d'esame STEFANO ROVETTA (Presidente) FRANCESCO MASULLI LEZIONI INIZIO LEZIONI https://corsi.unige.it/corsi/9269/studenti-orario Orari delle lezioni L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy ESAMI MODALITA' D'ESAME Scritto, pratica MODALITA' DI ACCERTAMENTO - Esercitazioni in itinere (50%) Obiettivi formativi accertati: applicare alcune tecniche a problemi significativi programmare metodi di machine learning di complessità da bassa a intermedia usando strumenti di programmazione software standard, senza essere vincolato all'uso di librerie affrontare "da cioma a fondo" il workflow di un compito di machine learning dalla manipolazione dei dati alla presentazione dei risultati usare il pensiero critico per analizzare un problema e scegliere il metodo di machine learning più appropriato da applicare - Quiz finale (50%) dimonstrare la conoscenza di un insieme di tecniche e problemi in machine learning e pattern recognition, comprese le motivazioni scientifiche e tecnlogiche alla base usare il pensiero critico per analizzare un problema e scegliere il metodo di machine learning più appropriato da applicare Calendario appelli Data appello Orario Luogo Tipologia Note 15/01/2025 14:00 LA SPEZIA Scritto 04/02/2025 14:00 LA SPEZIA Laboratorio 04/02/2025 14:00 LA SPEZIA Scritto + Orale 10/06/2025 14:00 LA SPEZIA Esame su appuntamento 02/07/2025 14:00 LA SPEZIA Esame su appuntamento 17/09/2025 14:00 LA SPEZIA Esame su appuntamento