Accedi ai Corsi
In evidenza
Laurea Triennale
Amministrazioni, Professioni ed Organizzazioni Sportive con Sole 24 Ore Formazione
Chiamaci
{{ numero_verde }}
-
Ateneo
-
Offerta formativa
-
Ricerca
-
Iscrizione
-
Studenti e Aziende
- Notizie
-
Sedi
Offerta formativa
- Scienze Motorie (L-22)
- Scienze dell'Amministrazione e dell'Organizzazione (L-16)
- Scienze Biologiche (L-13)
- Moda e Design Industriale L-4
- Patrimonio Culturale in Era Digitale L-1
- Lingue e Culture Straniere per l'Era Digitale (L-11)
- Ingegneria Biomedica (L-9)
- Ingegneria Informatica e Intelligenza artificiale (L-8)
- Scienze dell'Alimentazione e Gastronomia (L-26)
- Management e Consulenza Aziendale (LM-77)
- Scienze e Tecniche delle Attività Motorie Preventive e Adattate LM-67
- Scienze della Nutrizione Umana LM-61
- Management, Diritto e Governance della Pubblica Amministrazione LM-63
- Lingue e culture straniere per l'era digitale: scuola, società e professioni LM-37
- Ingegneria Informatica e dell’Intelligenza Artificiale Applicata LM-32
- Doppia Laurea
- Master 1° Livello
- Master 2° Livello
- Aree Master
- Corsi di Formazione
- Corsi di Perfezionamento
- Corsi Singoli
- Formazione Docenti
Iscrizione
- Richiedi Informazioni
- Agevolazioni Economiche
- Prova la piattaforma
- Convenzioni commerciali
- Valutazione Crediti Formativi e Accessi
- Recupero delle competenze per accesso alle Magistrali
- Immatricolazione
- Doppia Laurea
- Iscrizione Master e Corsi
- Iscrizione ai Dottorati di Ricerca
- Immatricolazione titoli esteri
- Borse di studio Sole 24 Ore Formazione
- Studia con San Raffaele Roma e accedi ai corsi Google sull'Intelligenza Artificiale
Corsi di Laurea Triennale
Corsi di Laurea Magistrale
Ingegneria Informatica e Intelligenza artificiale L-8
Machine Learning e Artificial Intelligence
Ingegneria Informatica e Intelligenza artificiale L-8
Machine Learning e Artificial Intelligence
| Settore scientifico disciplinare | Numero crediti formativi (CFU) | Docente |
| ING-INF/05 | 9 | Pasquale De Luca |
Obiettivi
L’insegnamento si propone di far acquisire agli studenti i concetti fondamentali dell’Intelligenza Artificiale con particolare riferimento alle tecniche di ricerca, rappresentazione della conoscenza e ragionamento automatico. Saranno inoltre introdotti i fondamenti teorici, le proprietà computazionali e gli usi delle principali tecniche di apprendimento supervisionato e non supervisionato. In particolare, gli studenti esploreranno argomenti come Deep Learning e le reti neurali avanzate e saranno in grado di impostare problemi di classificazione, regressione e clustering usando algoritmi e strumenti condivisi dalla comunità scientifica e industriale.
L’insegnamento include un modulo pratico dedicato all’implementazione di modelli con Python utilizzando librerie come scikit-learn e TensorFlow
L’insegnamento contribuisce anche al potenziamento delle capacità trasversali Autonomia di giudizio, Abilità comunicative e Capacità di apprendimento degli studenti.
Verifica
Test scritto composto da 30 domande
Risorse
Video lezioni + seminari aggiuntivi
Bishop, C.M. (2006). Pattern Recognition and Machine Learning. Springer.
Lezioni
Introduzione all'intelligenza artificiale
Agenti intelligenti e ambienti operativi
Struttura degli agenti
Agenti risolutori di problemi
Algoritmi di ricerca
Strategie di Ricerca Non Informata
Fondamenti della ricerca informata
Agenti basati sulla conoscenza
Logica e Logica delle Proposizioni
Logica del primo ordine
Usare la logica del primo ordine
Introduzione all'Inferenza
Inferenza nella Logica del Primo Ordine
Rappresentazione della conoscenza
Notazioni base della teoria della probabilità
Introduzione al Machine Learning
Apprendimento supervisionato
Selezione del Modello e Ottimizzazione
Metriche di valutazione
Alberi di decisione
Apprendimento bayesiano
Regressione lineare
Modelli Nearest Neighbor
Support Vector Machines
Ensemble Learning
Ensemble Learning avanzato
Machine Learning e dimensioni elevate
Apprendimento non supervisionato: Clustering
Riduzione della dimensionalità
Teoria dell'apprendimento computazionale
Apprendimento incrementale e online
Apprendimento per rinforzo: introduzione
Pipeline e processo di ML
Bias nei dati e Fairness
Conduzione, monitoraggio e manutenzione
Introduzione al Deep Learning
Back-propagation e calcolo del gradiente nei network neurali
Architettura dei modelli deep learning
Convolutional Neural Networks
Pooling, Tensor Operations e Residual Networks
Ottimizzazione e back-propagation nei network neurali
Generalizzazione nelle reti neurali
Reti Neurali Ricorrenti
Apprendimento non supervisionato e modelli generativi in deep learning
Modelli generativi
