Salta al contenuto principale
CODICE 98959
ANNO ACCADEMICO 2024/2025
CFU
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

Commissione d'esame

STEFANO ROVETTA (Presidente)

FRANCESCO MASULLI

LEZIONI

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