CODICE 102299 ANNO ACCADEMICO 2025/2026 CFU 6 cfu anno 3 STATISTICA MATEM. E TRATTAM. INFORMATICO DEI DATI 8766 (L-35) - GENOVA SETTORE SCIENTIFICO DISCIPLINARE SECS-S/01 LINGUA Italiano SEDE GENOVA PERIODO 2° Semestre MATERIALE DIDATTICO AULAWEB PRESENTAZIONE La quantità di dati nelle applicazioni aziendali e industriali è in crescita esponenziale e sono necessari strumenti sempre più efficienti e sofisticati per gestirli. Il corso presenta le più recenti modalità di trattamento dei dati e di generazione dei contenuti. OBIETTIVI E CONTENUTI OBIETTIVI FORMATIVI L'insegnamento mira a sviluppare la capacità di estrarre sapere e conoscenza da dati in un contesto aziendale. OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO Al termine dell'insegnamento, lo studente avrà acquisito una conoscenza di strumenti di AI utilizzati in ambito aziendale sia per costruire modelli predittivi complessi che per generare nuovi contenuti (testi, immagini, suoni, video), modellati sulle esigenze dei destinatari delle analisi saprà operare al meglio in ambito aziendale sfruttando una buona comprensione dei concetti fondamentali della Predictive AI e della Generative AI sarà in grado di affrontare in gruppo un problema di analisi dati, generare automaticamente un report, presentarlo e comprendere così un fenomeno aziendale. PREREQUISITI Programmazione (Matlab e/o Python e/o R), algebra lineare, probabilità, statistica descrittiva ed inferenziale. MODALITA' DIDATTICHE Il corso consiste in lezioni frontali in aula e seminari tenuti da esperti esterni. PROGRAMMA/CONTENUTO Esempi di problemi e metodologie statistiche applicate in ambito aziendale Cross-Industry Standard Process for Data Mining (CRISP-DM) per la gestione di progetti di data mining Metodi per la gestione di variabili per modelli statistici MultiLayer Perceptron (MLP) e Convolutional Neural Networks (CNN) Introduzione alla Predictive Maintenance Survival Analysis applicata alla Predictive Maintenance Definizione di Predictive AI e Generative AI Predictive AI: dalla feature engineering alla definizione di embedding. Esempi di applicazioni di clustering e classificazione in medicina, finanza e altri settori Introduzione alle Reti Neurali Ricorrenti (RNN) Storia e sviluppo della Generative AI Introduzione alle GAN (Generative Adversarial Networks) Il concetto di Transformer e di (Self-)Attention Applicazioni della Generative AI (testi, immagini e arte generativa) TESTI/BIBLIOGRAFIA “Deep learning” di Goodfellow, Bengio, Courville. MIT Press Ltd (2016) “Generative deep learning: teaching machines to paint, write, compose, and play” di Foster. O'Reilly Media (2023) “Applied survival analysis using R” di Moore. Springer (2016) “Attention is all you need” di Vaswani, Shazeer, Parmar, Uszkoreit, Jones, Gomez, Kaiser, Polosukhina (2017). In Guyon, Von Luxburg, Bengio, Wallach, Fergus, Vishwanathan and Garnett (eds.). 31st Conference on Neural Information Processing Systems (NIPS). Advances in Neural Information Processing Systems. Vol. 30. Curran Associates, Inc. arXiv:1706.03762. “Data mining: practical machine learning tools and techniques - 4th Edition” di Witten, Frank, Hall, Pal, Foulds. Kaufmann (2016) Articoli scientifici e risorse online per le specifiche tecniche e applicazioni. DOCENTI E COMMISSIONI FRANCESCO PORRO Ricevimento: Verrà fissato un orario di ricevimento studenti durante lo svolgimento del corso. In alternativa, su richiesta via mail. LEZIONI INIZIO LEZIONI In accordo con il calendario accademico approvato dal Consiglio di Corso di Studi. Orari delle lezioni L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy ESAMI MODALITA' D'ESAME Per gli studenti con disabilità o con DSA si rimanda alla sezione Altre Informazioni. ALTRE INFORMAZIONI Si ricorda alle studentesse e agli studenti con disabilità o con disturbi specifici dell'apprendimento (DSA) che per poter richiedere adattamenti in sede d'esame occorre prima inserire la certificazione sul sito web di Ateneo alla pagina servizionline.unige.it nella sezione “Studenti”. La documentazione sarà verificata dal Settore servizi per l’inclusione degli studenti con disabilità e con DSA dell’Ateneo, come indicato sul sito federato al link: STATISTICA MATEMATICA E TRATTAMENTO INFORMATICO DEI DATI 8766 | Studenti con disabilità e/o DSA | UniGe | Università di Genova | Corsi di Studio UniGe Successivamente, con significativo anticipo (almeno 10 giorni) rispetto alla data di esame occorre inviare una e-mail al/alla docente con cui si sosterrà la prova di esame, inserendo in copia conoscenza sia il docente Referente di Scuola per l'inclusione degli studenti con disabilità e con DSA (sergio.didomizio@unige.it) sia il Settore sopra indicato. Nella e-mail occorre specificare: • la denominazione dell’insegnamento • la data dell'appello • il cognome, nome e numero di matricola dello studente • gli strumenti compensativi e le misure dispensative ritenuti funzionali e richiesti. Il/la referente confermerà al/alla docente che il/la richiedente ha diritto a fare richiesta di adattamenti in sede d'esame e che tali adattamenti devono essere concordati con il/la docente. Il/la docente risponderà comunicando se sia possibile utilizzare gli adattamenti richiesti. Le richieste devono essere inviate almeno 10 giorni prima della data dell’appello al fine di consentire al/alla docente di valutarne il contenuto. In particolare, nel caso in cui si intenda usufruire di mappe concettuali per l’esame (che devono essere molto più sintetiche rispetto alle mappe usate per lo studio) se l’invio non rispetta i tempi previsti non vi sarà il tempo tecnico necessario per apportare eventuali modifiche. Per ulteriori informazioni in merito alla richiesta di servizi e adattamenti consultare il documento: Linee guida per la richiesta di servizi, di strumenti compensativi e/o di misure dispensative e di ausili specifici Agenda 2030 Istruzione di qualità Parità di genere Lavoro dignitoso e crescita economica