Si richiedono le conoscenze di base di matematica acquisite durante il percorso di studi di laurea triennale, con particolare riferimento al calcolo differenziale, nonché elementi di statistica e calcolo delle probabilità. Si richiedono inoltre le conoscenze di base di informatica. Si consiglia il superamento degli esami di Data Mining, Machine Learning e Metodi Matematici per l’intelligenza artificiale.

L'insegnamento ha l'obiettivo di fornire metodi, modelli e strumenti per muoversi nel vasto panorama di tecniche proprie del machine learning in maniera autonoma. Alla fine di questo corso lo studente/la studentessa dovrebbe essere in grado di applicare i principali algoritmi e approcci, valutandone criticamente punti di forza e di debolezza, per estrarre modelli descrittivi e predittivi da insiemi di dati ad alta. L'insegnamento presenta varie tecniche computazionali basandosi sul linguaggio di programmazione Python, e mira a fornire un approccio pratico alle recenti tecniche di machine learning, con particolare enfasi alla progettazione e implementazioni di reti neurali.

• Comprensione dei principali algoritmi di machine learning e delle loro relative caratteristiche computazionali.
• Capacità di implementare algoritmi e procedure per l'apprendimento automatico.
• Capacità di usare modelli matematici appropriati per estrarre informazione da insiemi di dati
• Capacità di valutare criticamente i risultati di un modello di apprendimento automatico.
• Capacitá di presentare in modo preciso i risultati di un'analisi di dati mediante metodi di apprendimento automatico.
• Capacità di individuare in modo adeguato gli strumenti matematici piú adatti per risolvere problemi applicativi.
• Acquisire un’adeguata conoscenza delle tecniche di progettazione di modelli di intelligenza artificiale in contesti applicativi complessi quali il riconoscimento di immagini, documenti testuali e video.

Lezioni frontali di approfondimenti teorici e computazione ed esercitazioni pratiche al calcolatore.

Prova orale con quesiti di carattere pratico volta a sondare la capacitá di individuare soluzioni pratiche in contesti concreti. (60%) Lavoro progettuale per il calcolo e la risoluzione di un problema di apprendimento (40%).

Su appuntamento col docente

• Introduzione al linguaggio Python - Dati, decisioni, cicli, funzioni - Liste, insiemi, dizionari - Oggetti e classi. 
• Introduzione a scikit-learn. Apprendimento supervisionato e nonsupervisionato. Model evaluation: Overftting & underfitting. Stima dell’errore: Train/Test split, Cross validation. 
• Introduzione a Pytorch. Gradient computing. Reti neurali. Backpropagation. Reti feedforward. 
• Computer vision: Reti convoluzionali. Architetture convoluzionali per la classificazione. Object detection & Segmentation. 
• Introduzione al Natural Language Processing. Reti ricorrenti. Transformers. Large Language Models. 
• Structured data. Graph Neural Networks.
• Modelli probabilistici generativi. Stima e inferenza. Sampling. Latent models. Autoencoders, Generative Adversarial Networks. Diffusion Models.

• C.M. Bishop, H. Bishop: Deep Learning. Springer, 2024. Disponibile su https://www.bishopbook.com/
• Appunti delle lezioni (a cura del docente) saranno distribuiti nella pagina dedicata all’insegnamento.

Testi di consultazione

• Aurelien Geron: “Hands-On achine Learning with Scikit-Learn, Keras & TensorFlow, 3rd edition, O’Really Media, 2022.
• Edward Raff: Inside Deep Learning: Math, Algorithms, Models. Manning, 2022.
• Vadim Smolyakov: Machine Learning algorithms in depth, Manning, 2024.
• David Foster: Generative Deep Learning, 2nd Edition. O’Really Media, 2023.  
• Eli Stevens, Luca Antiga, and Thomas Viehmann: Deep Learning with PyTorch. Manning, 2020.