Apprendimento automatico e apprendimento profondo

Obiettivi formativi

L’insegnamento si propone di fornire agli studenti una conoscenza approfondita delle principali tecniche di machine learning e deep learning per l'analisi di dati di natura eterogenea. In particolare, verranno presentati e approfonditi i principali algoritmi di classificazione di dati, di sequenze temporali di informazioni e di pattern complessi quali ad esempio le immagini, e le principali tecniche di apprendimento automatico sia di tipo supervisionato che non supervisionato. Inoltre, verranno illustrate le reti neurali e il loro funzionamento, presentate architetture neurali complesse per l’analisi di dati spaziali, temporali e modelli generativi e forniti i rudimenti dell’apprendimento con rinforzo.

L’insegnamento contribuisce anche al potenziamento delle capacità trasversali Autonomia di giudizio, Abilità comunicative e Capacità di apprendimento degli studenti.

Risultati di apprendimento attesi

• Conoscenza e comprensione delle principali tecniche di pattern recognition e machine learning per l'analisi di dati di natura eterogenea.
• Conoscenza degli operatori di Deep Learning delle tecniche di training non supervisionate, self-supervisionate e parzialmente supervisionate.
• Conoscenza del linguaggio Python.
• Comprensione di tecnologie deep learning di frontiera basate su Graph Neural Networks, Transformers, Visual Transformers, Attention, etc.
• Comprensione delle problematiche relative all’integrazione di dati eterogenei e delle metodologie per l’integrazione dei dati basate sulla statistica e il deep learning.
• Capacità di applicare i principali algoritmi di classificazione di dati, di sequenze temporali di informazioni e di pattern complessi come le immagini.
• Capacità di applicare le principali tecniche di apprendimento automatico sia di tipo supervisionato che non supervisionato.

Contenuti dell’insegnamento

Apprendimento automatico

• Teoria della classificazione, tassonomia e metriche;
• Introduzione alla probabilità bayesiana;
• Modelli lineari per la classificazione;
• Metodi di margine e SVM;
• Metodi di ensemble;
• Apprendimento non supervisionato e riduzione della dimensionalità.

Apprendimento profondo

• Introduzione alle reti neurali:
• NN avanzato;
• NN non supervisionato;
• Apprendimento con rinforzo

Attività di laboratorio

• Sviluppo di modelli di machine learning e deep learning su dataset reali attraverso modelli supervisionati e non supervisionati, implementazione di reti convoluzionali e ricorrenti e valutazione delle prestazioni dei modelli realizzati.

Modalità di verifica

L’esame finale può essere sostenuto in forma scritta o in forma orale.

L’esame scritto consiste nello svolgimento di un test a risposta multipla con 31 domande, così da garantire la possibilità di conseguire la lode.

L’esame orale consiste in un colloquio nel corso del quale il docente formula almeno tre domande.

I quesiti sono formulati per valutare il livello di raggiungimento dei risultati di apprendimento attesi.

Il voto finale tiene conto del voto ottenuto dallo studente attraverso la partecipazione alla didattica interattiva e del voto ottenuto nell’esame finale ed è determinato, quindi, dalla somma delle due valutazioni. Il voto finale è espresso in trentesimi.