88202 - MACHINE LEARNING LM

Anno Accademico 2024/2025

  • Docente: Davide Maltoni
  • Crediti formativi: 6
  • SSD: ING-INF/05
  • Lingua di insegnamento: Italiano
  • Modalità didattica: Convenzionale - Lezioni in presenza
  • Campus: Cesena
  • Corso: Laurea Magistrale in Ingegneria elettronica e telecomunicazioni per l'energia (cod. 8770)

    Valido anche per Laurea Magistrale in Ingegneria e scienze informatiche (cod. 8614)

Conoscenze e abilità da conseguire

Al termine del corso, anche grazie a una rilevante attività di laboratorio, lo studente sarà in grado di: - progettare sistemi capaci di apprendere in modo automatico - implementare tecniche di classificazione, regressione e clustering per risolvere problemi in diversi ambiti applicativi - utilizzare reti neurali e tecniche di base in ambito deep learning.

Contenuti

  • Intelligenza Artificiale e Machine Learning
  • Apprendimento Automatico Supervisionato e Non supervisionato
  • Classificazione e Regressione
  • Classificatori: Bayes, k-Nearest Neighbor, Support Vector Machines, Multiclassificatori
  • Clustering (K-means, EM) e Riduzione di Dimensionalità (PCA, DA)
  • Neural Networks (NN)
  • Introduzione al Deep Learning
  • Convolutional Neural Networks (CNN)
  • Reti Ricorrenti (RNN)
  • Transformers e Large Language Models (LLM)
  • Reinforcement Learning (RL)

Testi/Bibliografia

Dispense a cura del docente al link:

http://bias.csr.unibo.it/maltoni/ml

Metodi didattici

Lezioni frontali ed esercitazioni guidate.

Testi e soluzione esercitazioni al link:

http://bias.csr.unibo.it/maltoni/ml

Nota: in considerazione della tipologia di attività e dei metodi didattici adottati, la frequenza di questa attività formativa richiede la preventiva partecipazione di tutti gli studenti ai moduli 1 e 2 di formazione sulla sicurezza nei luoghi di studio, in modalità e-learning (link)

Modalità di verifica e valutazione dell'apprendimento

MODALITA' STANDARD

Esame scritto dalla durata di 90 minuti con esercizi e domande con risposta e testo libero.

Esempi di esami precedenti (con correzione) sono disponibili sulla pagina web del corso.

Non è possibile consulare materiale (es. dispense, libri, appunti) ma può essere usata una semplice calcolatrice (no smartphone).

Il punteggio (in trentesimi) è calcolato come somma dei punteggi dei singoli esercizi e domande. Il punteggio dei singoli esercizi può essere leggermente differente a seconda della loro complessità. Se il punteggio totale raggiunto è maggiore di 30 il voto finale è 30 e lode. 

MODALITA' ONLINE (EMERGENZA COVID-19)

In caso di misure restrittive dovute all'emergenza COVID-19, la prova scritta potrà essere sostituita da una prova orale in videoconferenza, che verte su tutti gli argomenti/esercizi oggetto della prove in modalità standard. Le modalità saranno comunicate con debito anticipo.

 

E' possibile rifiutare il voto dell'esame al massimo due volte.

 

 

Strumenti a supporto della didattica

Librerie e tool di sviluppo per il machine learning:

- Scikit-learn (Python)

- Tensorflow, PyTorch, Caffè

Link ad altre eventuali informazioni

http://bias.csr.unibo.it/maltoni/ml

Orario di ricevimento

Consulta il sito web di Davide Maltoni

SDGs

Istruzione di qualità Imprese innovazione e infrastrutture

L'insegnamento contribuisce al perseguimento degli Obiettivi di Sviluppo Sostenibile dell'Agenda 2030 dell'ONU.