CODICE 114944 ANNO ACCADEMICO 2025/2026 CFU 6 cfu anno 1 MATEMATICA 11907 (LM-40 R) - GENOVA 6 cfu anno 3 STATISTICA MATEM. E TRATTAM. INFORMATICO DEI DATI 8766 (L-35) - GENOVA 6 cfu anno 2 MATEMATICA 9011 (LM-40) - GENOVA SETTORE SCIENTIFICO DISCIPLINARE MAT/09 LINGUA Italiano (Inglese a richiesta) SEDE GENOVA PERIODO 2° Semestre PRESENTAZIONE L'insegnamento introduce i principali problemi di machine learning, sia supervisionato che non supervisionato, assieme agli algoritmi utilizzati per risolverli. L'obiettivo è fornire una solida comprensione delle definizioni fondamentali dei problemi, delle proprietà statistiche degli algoritmi, e delle tecniche computazionali utilizzate. Tramite sessioni di laboratorio, gli studenti sperimenteranno l’implementazione pratica su dati reali e sintetici, e verranno stimolati a fornire un'interpretazione critica dei risultati, favorendo così lo sviluppo di capacità analitiche e autonomia metodologica. OBIETTIVI E CONTENUTI OBIETTIVI FORMATIVI Fornire gli strumenti per la comprensione teorica e l’utilizzo pratico dei principali algoritmi di apprendimento supervisionato e non supervisionato. OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO Al termine dell'insegnamento, lo studente avrà acquisito una buona padronanza delle nozioni di base del machine learning e degli strumenti matematici ad esso connessi; una conoscenza degli algoritmi di ottimizzazione convessa utili per il machine learning una conoscenza delle proprietà di alcuni algoritmi di machine learning dal punto di vista statistico Gil obiettivi formativi delle lezioni di laboratorio sono fornire la capacità di implementare numericamente gli algoritmi proposti garantire una discreta abilità nell'usare gli algoritmi su dati sintetici e/o reali comprendendo la ragionevolezza dei risultati PREREQUISITI Analisi per funzioni di più variabili, Algebra Lineare e Probabilità. MODALITA' DIDATTICHE L'insegnamento sara' organizzato in lezioni frontali alla lavagna (circa 2/3) in cui i docenti introdurranno i concetti fondamentali ed illustreranno i diversi tipi di algoritmi. In parallelo, saranno svolte delle lezioni in laboratorio (circa 1/3), in cui gli studenti potranno sperimentare il comportamento degli algoritmi visti a teoria da un punto di vista pratico. Gli studenti con certificazioni DSA sono invitati a contattare docente e referente per la disabilità per concordare eventuali modalità didattiche individuali. PROGRAMMA/CONTENUTO L'insegnamento fornisce le nozioni necessarie per la comprensione e l'utilizzo dei principali algoritmi di apprendimento. Verranno introdotte le definizioni fondamentali relative ai problemi di apprendimento supervisionato e non supervisionato. Poi verranno presentati alcuni approcci per l'apprendimento statistico supervisionato, come metodi locali e regularization networks, sia nel caso lineare che nonlineare. Verranno altresì introdotte le reti neurali. Il corso conterrà anche un'introduzione a problemi di apprendimento non supervisionato, come clustering a dimensionality reduction. Gli argomenti trattati dal punto di vista teorico, saranno affrontati anche da un punto di vista numerico durante le lezioni in laboratorio. Il corso contribuisce al raggiungimento dei seguenti obiettivi di sviluppo sostenibile dell"agenda ONU 2030 Obiettivo 4: fornire un’educazione di qualità, equa ed inclusiva, e opportunità di apprendimento per tutti Obiettivo 5: raggiungere l’eguaglianza di genere ed emancipare tutte le donne e ragazze TESTI/BIBLIOGRAFIA L. Rosasco, Introductory Machine Learning Notes, University of Genoa, (http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf) Steinwart, Ingo, Christmann, Andreas, Support vector machines, Springer, ISBN 978-0-387-77241-7 Hastie, Tibshirani and Friedman. Elements of statistical learning Shalev-Shwartz and Ben-David. Understanding Machine Learning: from Theory to Algorithms Boyd, Vandenberghe, Convex Optimization, Cambridge University Press, 2004, ISBN 0 521 83378 7 DOCENTI E COMMISSIONI SILVIA VILLA Ricevimento: Su appuntamento: parlare direttamente con il docente oppure scrivere a silvia.villa@unige.it 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 Esistono due modalità d'esame: la prima consiste nello svolgere delle verifiche scritte (e di laboratorio) intermedie che prevedano l'utilizzo dei concetti introdotti durante l'insegnamento. Il voto finale si calcola come la media delle valutazioni dei report sui laboratori e delle prove intermedie (nel caso tutte e tre le prove siano sufficienti). Lo studente può decidere se completare l'esame con una prova orale oppure mantenere il voto ottenuto con lo scritto ed il laboratorio. Nel caso la valutazione dei report sui laboratori non siano sufficienti, questi devono essere corretti e riconsegnati. Nel caso in cui una delle prove scritte non sia sufficiente, lo studente può decidere di svolgere una prova orale sulla parte insufficiente, o una prova orale su tutto il programma. La seconda modalità consiste nello svolgimento della sola prova orale al termine dell'insegnamento su tutto il programma svolto, oltre alla consegna di tutti i report sui laboratori. Si consigliano gli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali di contattare i docenti 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 e forniscano idonei strumenti compensativi. MODALITA' DI ACCERTAMENTO Lo svolgimento degli esercizi e la prova orale sono finalizzate a verificare il raggiungimento da parte dello studente di una sufficiente capacità critica ed autonomia di ragionamento nell'ambito del machine learning e pertanto consistono di esercizi e di domande teoriche che prevedano la comprensione e l'utilizzo dei concetti appresi. Le prove in laboratorio consistono in notebooks che permettono l'implementazione e l'utilizzo guidato degli algoritmi introdotti a teoria. Si consigliano gli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali di contattare i docenti 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 e forniscano idonei strumenti compensativi. ALTRE INFORMAZIONI Rivolgersi al docente per ulteriori informazioni non comprese nella scheda insegnamento.
