-
Lingua Insegnamento:Italiano
-
Testi di riferimento:Machine Learning. Autore: Tom Mitchell, 1997
Data Mining: concepts and techniques 3rd edition. Autore: J. Han, M. Kamber, J. Pei, 2012.
Data Mining: Practical Machine Learning Tools and Techniques (The Morgan Kaufmann Series in Data Management Systems) 3rd Edition
by Ian H. Witten (Author), Eibe Frank (Author), Mark A. Hall (Author), 2011.
Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems. Autore: Aurélien Géron. O'Reilly -
Obiettivi formativi:L'obiettivo del corso è quello di sensibilizzare l'ingegnere alle tematiche relative all'intelligenza artificiale e al machine learning, fornendo una panoramica delle principali nozioni che possono essere di ausilio alla gestione dei progetti.
-
Prerequisiti:Conoscenza dell'informatica di base in termini di linguaggi di programmazione e architettura dei calcolatori. Matematica e fisica di base.
-
Metodi didattici:Lezione frontale con l'utilizzo di presentazioni power point o PDF.
-
Modalità di verifica dell'apprendimento:Domande a risposta aperta sugli argomenti del corso.
-
Sostenibilità:
-
Altre Informazioni:Le lezioni verranno erogate in presenza, salvo casi specifici che dovranno essere opportunamente discussi con il docente.
Introduzione al Machine Learning. Data preprocessing. Il problema dell'apprendimento. Classificazione, regressione e clustering. Deep learning. Esercizi con le principali librerie Python.
Introduzione al Machine Learning. Il processo di knowledge discovery. Preprocessing dei dati. Il problema dell'apprendimento. Apprendimento supervisionato e non supervisionato. Apprendimento batch, incrementale, naturale. Reinforcement learning. Problemi connessi al learning: tuning dei parametri, valutazione delle performance, training, validation e test, il problema dell'overfitting. Classificazione: gli alberi decisionali. Regressione lineare e logistica. Le reti neurali artificiali. Clustering: K-Means. Clustering agglomerativo e density-based (DBSCAN). Representation learning. Convolutional Neural Network. Recurrent Neural Network. Long Short-Term Memory Network. Introduzione all'Intelligenza Artificiale Generativa e ai Large Language Models.
Introduzione al linguaggio Python. Python e l'ambiente Jupyter Notebook. L'ambiente Sikit-learn: esercizi su classificazione supervisionata.
L'ambiente TensorFlow: esercizi su Convolutional Neural Network e Recurrent Neural Network.
Scopri cosa vuol dire essere dell'Ud'A
SEDE DI CHIETI
Via dei Vestini,31
Centralino 0871.3551
SEDE DI PESCARA
Viale Pindaro,42
Centralino 085.45371
email: info@unich.it
PEC: ateneo@pec.unich.it
Partita IVA 01335970693
