- 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)
-
dal 23/09/2024 al 18/12/2024
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
L'insegnamento contribuisce al perseguimento degli Obiettivi di Sviluppo Sostenibile dell'Agenda 2030 dell'ONU.