Corso di Studi in Ingegneria Informatica

SCHEDA DELL'INSEGNAMENTO (SI)
SSD ING-INF/05

 

LAUREA MAGISTRALE IN INGEGNERIA INFORMATICA

ANNO ACCADEMICO: 2022-2023

 

DOCENTE: CARLO SANSONE
TELEFONO: 081-7683640
EMAIL: Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo.

 

INSEGNAMENTO INTEGRATO (EVENTUALE):
MODULO (EVENTUALE):
CANALE (EVENTUALE):
ANNO DI CORSO (I, II, III): II
SEMESTRE (I, II): I
CFU: 6

 

...................................................................................................................................................

 

...................................................................................................................................................

 

Obiettivo del corso è presentare i principali tecniche di Machine Learning per la soluzione di problemi di classificazione, predizione numerica e clustering e le metodologie di gestione e sviluppo di un processo di Machine Learning, dalla preparazione dei dati alla valutazione dei risultati.
Il corso consentirà anche di sviluppare competenze pratiche nella soluzione di problemi reali tramite tecniche di Machine Learning, grazie ad esercitazioni svolte con tool commerciali e/o open source.

 

Conoscenza e capacità di comprensione
Lo studente deve conoscere i principali algoritmi di Machine Learning e Deep Learning. Lo studente deve inoltre dimostrare di essere in grado di scegliere l’algoritmo di Machine Learning più adatto a risolvere uno specifico problemi di classificazione e/o predizione numerica e/o clustering, sulla base dei requisiti del problema medesimo. Lo studente deve infine dimostrare di essere in grado di scegliere le opportune tecniche di preparazione dei dati e deve conoscere le tecniche necessarie per la valutazione delle prestazioni di algoritmi di Machine Learning e Deep Learning.

Capacità di applicare conoscenza e comprensione
Lo studente deve dimostrare di essere in grado di risolvere problemi reali di classificazione, predizione numerica o clustering utilizzando tecniche di Machine Learning. Deve anche dimostrare di saper valutare in modo corretto le prestazioni dei sistemi che realizza.

 

Introduzione al Machine Learning (0.25 CFU)

Input ed Output (0.5 CFU)
Concetti, istanze ed attributi. Rappresentazione della conoscenza.

Metodi di base (1.25 CFU)
Modelli probabilistici, alberi di decisione, regole di classificazione, modelli lineari, instance-based e multi-instance learning, clustering.

Valutazione delle prestazioni (0.5 CFU)
Training e Testing. CV, LOO, Cost-sensitive classification. ROC. Valutazione di algoritmi di predizione numerica.

Metodi avanzati (2 CFU)
Alberi di decisione: C4.5. Regole di classificazione. Instance-based learning. Estensione dei modelli lineari: SVM. Epsilon-SVR. MLP. Predizione numerica con modelli lineari.

Trasformare i dati (0.25 CFU)
Selezione degli attributi, PCA, Discretizzazione, Campionamento. One-class classification.

Metodi probabilistici (0.25 CFU)
Reti bayesiane. Probability Density Estimation e Clustering. Modelli sequenziali e temporali (cenni).

Deep Learning (0.5 CFU)
Addestramento e valutazione delle prestazioni di reti deep, Convolutional Neural Networks, Autoencoders. Reti Neurali ricorrenti e GAN (cenni).

Oltre l'apprendimento supervisionato e non-supervisionato (0.25 CFU)
Semi-supervised learning. Multi-instance learning.

Ensemble Learning (0.25 CFU)
Bagging, Randomization, Boosting, Stacking, ECOC.

 

Data mining: practical machine learning tools and techniques. —4th ed. / Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J. Pal. —The Morgan Kaufmann, 2017.

 

Il docente utilizzerà: a) lezioni frontali per circa il 60% delle ore totali, b) esercitazioni per approfondire praticamente aspetti teorici per circa il 35% delle ore totali, c) seminari per circa il 5% delle ore totali.

 

a) Modalità di esame:

L'esame si articola in prova:
Scritta e orale
Solo scritta
Solo orale
Discussione di elaborato progettuale
Altro

 

In caso di prova scritta i quesiti sono (*):
A risposta multipla
A risposta libera
Esercizi numerici

  

Ciascuno studente dovrà sviluppare durante il corso 3 progetti, che, in caso di valutazione positiva, lo esonerano dallo sviluppo dell’elaborato progettuale finale. In sede di esame, ciascuno studente discuterà uno dei 3 progetti sviluppati durante il corso o l’elaborato progettuale finale, prima della prova orale.

 

b) Modalità di valutazione:

La discussione dell’elaborato progettuale pesa per 1/10, mentre la prova orale per 9/10.