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. Per ogni argomento trattato, lo studente avrà l’opportunità di apprendere le basi teoriche, e di studiare e fare pratica con 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
• Linear classification
• Regularization
• Decision trees
• Ensamble learning
• Random forests
• Principal Component Analysis
• Unsupervised machine learning (clustering)
• (Neural networks. Multilayer perceptron for regression and classification)

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

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, l'addestramento 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 presentati a lezione verranno valutate tramite domande nel colloquio d’esame.

La valutazione terrà anche presente la partecipazione dello studente durante il corso.

ALTRE INFORMAZIONI

Gli studenti con disabilità o con DSA possono fare richiesta di misure compensative/dispensative per l'esame. Le modalità saranno definite caso per caso insieme al Referente per Ingegneria del Comitato di Ateneo per il supporto agli studenti disabili e con DSA. Gli studenti che volessero farne richiesta sono invitati a contattare il docente dell'insegnamento con congruo anticipo mettendo in copia il Referente per Ingegneria (https://unige.it/commissioni/comitatoperlinclusionedeglistudenticondisabilita.html), senza inviare documenti in merito alla propria disabilità.