DIMA

Lingua Insegnamento:

Italiano
Testi di riferimento:

Costituiscono materiale di studio le slide delle lezioni, che verranno rese disponibili sul portale e-learning di Ateneo, e le risorse (articoli, tutorial o parti di libri) che verranno indicate dal docente durante il corso.
Obiettivi formativi:

Il corso si propone di fornire le conoscenze di base sulle tecniche di analisi “avanzate” basate su Machine Learning e gli strumenti software per implementare processi di analisi predittiva.

Gli obiettivi generali del corso possono essere riassunti come segue:

- Comprendere i concetti fondamentali relativi alla Data Science, Intelligenza Artificiale e Machine Learning.
- Applicare le tecniche di Machine Learning supervisionato per comporre processi di analisi predittiva.
Prerequisiti:

Per una piena comprensione degli argomenti trattati è fortemente consigliata la conoscenza dei contenuti del corso “Applied Data Analytics”.
Metodi didattici:

L'insegnamento prevede 36 ore di lezione.
L’organizzazione del corso è realizzata in base “all’Ascolto”, un modello sperimentale per il miglioramento continuo della qualità della didattica universitaria. Il corso sarà organizzato in moduli le cui lezioni saranno incentrate prevalentemente sul ricorso ai seguenti metodi didattici: lezioni frontali, dimostrazioni di casi pratici, esercitazioni.
Modalità di verifica dell'apprendimento:

La prova di esame prevedrà un test a domande con risposta multipla e/o aperta per valutare la comprensione degli argomenti trattati, una prova pratica per valutare la comprensione e la capacità di utilizzo dei software visti a lezione, ed un breve colloquio orale.
La valutazione finale terrà conto in egual misura del punteggio ottenuto nel test, nella prova pratica e nel colloquio orale.
Sostenibilità:
Altre Informazioni:

Il corso si divide in due moduli. Nel primo verranno introdotti i concetti relativi alla Data Science e all’Intelligenza artificiale, discutendone le applicazioni in vari contesti, e concentrandosi in seguito sul Machine Learning (ML), sulla classificazione supervisionata e sulle metriche di valutazione dei sistemi di apprendimento automatico.
Nel secondo modulo, i concetti appresi verranno messi in pratica, sviluppando processi di analisi basati su tecniche ML, e applicati ad obiettivi specifici, come la classificazione di testo e immagini, l’analisi automatica del sentiment, i sistemi di raccomandazione.

Modulo 1. Elementi di Data Science, Intelligenza Artificiale e Machine Learning
Data Science e Big Data Analytics: definizioni e concetti
Elementi di Intelligenza Artificiale: approcci simbolici e sub-simbolici
Machine Learning: predizione, classificazione e metriche di valutazione dei risultati
Reti Neurali e Deep Learning: definizione e concetti

Modulo 2. Applicazioni pratiche e casi studio
Applicazioni pratiche: classificazione automatica di testo e immagini
Sentiment analysis in pratica: approcci basati su lessico e approcci basati su apprendimento supervisionato
Recommender Systems: definizioni, concetti ed esempi.