Vai al contenuto principale
Oggetto:
Oggetto:

Applied AI and Machine Learning

Oggetto:

Applied AI and Machine Learning

Oggetto:

Anno accademico 2023/2024

Codice attività didattica
INT1439
Docente
Gianvito Urgese (Titolare)
Corso di studio
Corso di Laurea Magistrale in Geografia e Scienze Territoriali (LM-80)
Anno
2° anno
Periodo
Da definire
Tipologia
Affine o integrativo
Crediti/Valenza
6
SSD attività didattica
ING-INF/05 - sistemi di elaborazione delle informazioni
Erogazione
Tradizionale
Lingua
Inglese
Frequenza
Obbligatoria
Tipologia unità didattica
corso
Prerequisiti

Non sono previsti prerequisiti particolari ad eccezione di alcune nozioni di base del linguaggio di programmazione acquisite nel corso "Computer programming in Python".

No special pre-requirements are expected except some basics of programming language acquired in the course "Computer programming in Python".
Oggetto:

Sommario insegnamento

Oggetto:

Obiettivi formativi

Questo corso ha un triplice obiettivo:

1) introdurre lo/la studente/studentessa alle problematiche culturali e tecnologiche relative all'IA e al machine learning (ML).
2) insegnare l'uso delle tecniche di machine learning come mezzo per risolvere problemi reali.
3) acquisire pratica nell'implementazione di algoritmi AI e ML e farli funzionare nel campo pratico di applicazione.

This course has a threefold objective:

1) to introduce to the student to the cultural and technological issues related to AI and machine learning (ML).
2) to teach the use of machine learning techniques as a way to solve real problems.
3) to gain practice implementing AI and ML algorithms and getting them to work in the practical field of application.

 

Oggetto:

Risultati dell'apprendimento attesi

Lo/la studente/studentessa deve acquisire tre tipi fondamentali di conoscenza:

1) la comprensione dei concetti di base (teoria e modelli) di AI e ML
2) la capacità di risolvere problemi concreti applicando algoritmi ML utilizzando framework interattivi e librerie SW
3) la capacità di modificare e adattare gli algoritmi di template ML per un nuovo scopo

Queste abilità saranno applicate alla soluzione di problemi pratici.

The student must acquire three fundamental types of knowledge:

1) the understanding of basics concepts (theory and models) of AI and ML
2) the ability to solve concrete problems applying ML algorithms using interactive frameworks and SW libraries
3) the ability to modify and adapt template ML algorithms for a new purpose

These skills will be applied to the solution of practical problems.

Oggetto:

Programma

THEORY [39 HRS - 4 CFU]

- We introduce the core idea of teaching a computer to learn models using data without being explicitly programmed.
- Background Concepts, Probability and Linear Algebra Review
- Representation of numerical and non-numerical data
- Linear Regression
- Neural Networks Representation and Learning
- Support Vector Machines
- Unsupervised Learning vs Supervised Learning
- Dimensionality Reduction
- Application Examples

LABS [21 HRS - 2 CFU]
- Software Development Framework Tutorial
- Several assignments are designed to help you understand how to implement the learning algorithms in practice.

Il corso prevede circa 21 ore di laboratorio, in cui gli argomenti trattati a lezione verranno implementati utilizzando il framework di sviluppo. Ogni settimana lo studente frequenterà 3 ore di lezioni frontali e 1,5 ore di esercitazioni e laboratori. Le lezioni saranno suddivise in diverse tipologie:

- Teoria: illustrazione di argomenti teorici (modelli, algoritmi) con esempi.
- Problem-solving: analisi di problemi reali e benchmark, discussione in aula, progettazione/adattamento di tecniche ML per risolvere applicazioni reali.
- Esercitazione: illustrazione dei principali moduli ML disponibili nel framework di sviluppo e loro utilizzo tramite PC.

THEORY [39 HRS - 4 CFU]

- We introduce the core idea of teaching a computer to learn models using data without being explicitly programmed.
- Background Concepts, Probability and Linear Algebra Review
- Representation of numerical and non-numerical data
- Linear Regression
- Neural Networks Representation and Learning
- Support Vector Machines
- Unsupervised Learning vs Supervised Learning
- Dimensionality Reduction
- Application Examples

LABS [21 HRS - 2 CFU]
- Software Development Framework Tutorial
- Several assignments are designed to help you understand how to implement the learning algorithms in practice.

The course includes about 21 hours of lab, in which the topics covered in the classes will be implemented using the development framework. Each week the student will attend 3 hours of lectures and 1.5 hours of exercises and laboratories. The lessons will be divided into different types:

- Theory: illustration of theoretical topics (models, algorithms) with examples
- Problem-solving: analysis of real problems and benchmarks, classroom discussion, design/adaptation of ML techniques to solve real applications
- Practice: illustration of the main ML modules available in the development framework and their demonstration using the PC

Oggetto:

Modalità di insegnamento

60 ore lezioni + laboratori

60 hours lessons + Labs

Oggetto:

Modalità di verifica dell'apprendimento

L'esame sarà composto da due parti:

1) Una serie di esercizi che affrontano compiti specifici di ML da sviluppare durante il corso. Per ogni compito, i docenti forniranno un dataset e gli/le studenti/studentesse dovranno sviluppare pipeline di analisi per risolvere il problema assegnato (sulla base degli argomenti presentati a lezione e nei laboratori). Successivamente, gli/le studenti/studentesse dovranno redigere una relazione tecnica in cui si descriva in dettaglio la metodologia utilizzata e un'analisi critica dei risultati ottenuti. Sia la pipeline progettata che la relazione saranno presentati dagli/dalle studenti/studentesse all'istruttore per la valutazione.
2) Una prova scritta che mira a valutare la conoscenza da parte dello/della studente/studentessa degli aspetti teorici del corso (attraverso esercitazioni pratiche e domande a risposta aperta) e le capacità di progettazione di pipeline di analisi che implementino la soluzione di un problema pratico (attraverso l'uso delle tecniche di ML presentate) per il quale viene fornito un set di dati.

L'esame valuterà le capacità sviluppate del/della candidato/candidata nel risolvere problemi specifici applicando le conoscenze, acquisite durante il corso, nella progettazione di pipeline ML di analisi dei dati.
La durata della prova scritta è di 1,5 ore ed è a libro chiuso.
Il punteggio massimo per la prova scritta è di 30 e lode.
Durante la discussione dei risultati della prova scritta, il docente può richiedere una prova orale integrativa che copra l'intero programma del corso e abbia lo scopo di valutare ed elaborare le competenze dello/della studente/studentessa.

 

The exam will consist of two parts:

1) A set of assignments addressing specific ML tasks to be developed during the course. For each assignment, instructors will provide a dataset and the students will have to develop analysis pipelines to solve the assigned problem (based on the topics presented during lectures and labs). Then, students should write a technical report detailing the employed methodology and a critical analysis of the obtained results. Both the designed pipeline and the report will be submitted by students to the instructor for evaluation.
2) A written test that aims at assessing the student's knowledge of the theoretical aspects of the course (through practical exercises and open-answer questions) and the ML design skills (through the designing of analysis pipelines that implement the solution of a practical problem for which datasets are provided).

The exam will assess the developed skills of the candidate to solve specific problems by applying the knowledge acquired during the course in the design of ML pipelines of data analysis.
The duration of the written test is 1.5 hours and it is a closed book test.
The maximum score for the written test is 30 cum laude.
During the discussion of the results of the written test, the instructor can request a supplementary oral test that can cover the whole course program and is meant to assess and elaborate the student's skills

 

Testi consigliati e bibliografia

Oggetto:

- Handouts of class material.
- On-line material with references provided during the course.

[1] Andriy Burkov 2019. The Hundred-Page Machine Learning Book.
[2] Stuart Russell and Peter Norvig 2020. Artificial Intelligence: A Modern Approach. Pearson Education (US).
[3] Christopher M. Bishop. 2006. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag, Berlin, Heidelberg.

- Handouts of class material.
- On-line material with references provided during the course.

[1] Andriy Burkov 2019. The Hundred-Page Machine Learning Book.
[2] Stuart Russell and Peter Norvig 2020. Artificial Intelligence: A Modern Approach. Pearson Education (US).
[3] Christopher M. Bishop. 2006. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag, Berlin, Heidelberg.



Oggetto:
Ultimo aggiornamento: 22/05/2023 12:18
Non cliccare qui!