B3098 - LABORATORIO DI OTTIMIZZAZIONE, INTELLIGENZA ARTIFICIALE E MACHINE LEARNING - CE

Conoscenze e abilità da conseguire

Al termine del corso, lo studente conosce i principi dell'intelligenza artificiale e dell’apprendimento automatico e ne conosce le basi matematiche. Conosce alcuni framework di sviluppo del settore. È capace di concorrere alla progettazione di sistemi capaci di apprendere in modo automatico e di risolvere problemi in diversi ambiti applicativi utilizzando tecniche di intelligenza artificiale e di apprendimento automatico. Conosce obiettivi, principi e metodi per l'ottimizzazione.

Contenuti

Modulo 1 – Fondamenti

Statistica di base

• Probabilità e distribuzioni
• Livelli di confidenza, Decision Theory, test statistici
• Tipi di analisi: descrittiva, predittiva, prescrittiva

Gestione e Preprocessing dei Dati

• Struttura dei dati (strutturati, semi-strutturati, non strutturati)
• Concetti fondamentali di elaborazione delle immagini
• Pulizia e qualità del dato
• Trasformazioni e relazioni tra dati

Intelligenza Artificiale e Machine Learning

• Introduzione e applicazioni
  • Apprendimento (supervisionato e non)
  • Classificazione, regressione, clustering, sequenze
  • Percezione, individuazione anomalie, previsione delle serie temporali, estrazione insight, generazione dati sintetici
• Reti Neurali Artificiali
  • Storia ed elementi di teoria
  • Implementazione semplificata con NumPy
• Fondamenti di Apprendimento Supervisionato
  • Parametri e Iperparametri
  • Suddivisione del dataset e metriche
  • Bias-Variance trade-off (concetto intuitivo)
• Altri Modelli di Machine Learning e Statistici
  • Panoramica
  • Criteri di scelta
    • Trade-off tra costo computazionale e accuratezza
    • Interpretabilità dei modelli
• Deep Learning
  • Concetti di base
  • Architetture principali
  • Transfer learning e riutilizzo di modelli pre-addestrati
• Intelligenza Artificiale Generativa
  • Modelli di linguaggio e multimodali
  • Cenni di architetture e modalità di addestramento
  • Introduzione al Prompt Engineering e RAG, approcci agentici
• Etica del dato e dell’Intelligenza Artificiale
  • Bias, discriminazione dei dati, utilizzo responsabile
    

Modulo 2 - Applicazioni e Approfondimenti

Strumenti per l’analisi dati e il Machine Learning

• Esplorazione con fogli elettronici
• Introduzione al linguaggio Python e ai framework utilizzati

Fasi del Processo di Machine Learning

• Importazione e preparazione dei dati
• Ciclo di sviluppo del modello (trasformazione, visualizzazione ed esplorazione, addestramento e validazione)
• Comunicazione dei risultati e interpretazione

 

Esempi Pratici e Casi di Studio

Implementazione completa del ciclo ML su diversi temi:

• Reti convoluzionali (CNN) per il riconoscimento di immagini
• Previsione di serie temporali

Confronto tra modelli tradizionali e approcci deep learning

• Rilevamento di outlier e anomalie
•  Sistemi agentici basati su LLM, Prompt Engineering e RAG

Testi/Bibliografia

I seguenti testi e risorse possono essere utili per un approfondimento.

• S. Raschka,Y. Liu, V. Mirjalili - Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python – Packt Publishing, 2022
• W. McKinney - Python for Data Analysis 3rd Ed.– O’Reilly, 2022
  Open access: https://wesmckinney.com/book
  

 

• PyTorch: https://pytorch.org/
• OpenCV: https://opencv.org/

Metodi didattici

Si alterneranno alle lezioni frontali relative al modulo 1, le esercitazioni di laboratorio indicate nel modulo 2.

È prevista la presenza di un tutor in supporto alla didattica.

 

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 https://corsi.unibo.it/laurea/IngegneriaScienzeInformatiche/formazione-obbligatoria-su-sicurezza-e-salute in modalità e-learning

Modalità di verifica e valutazione dell'apprendimento

La valutazione finale è costituita da:

• lo sviluppo e la discussione di un progetto, individuale o a gruppi, che attesti la comprensione degli argomenti svolti.

Strumenti a supporto della didattica

IDE:

• VS Code: https://code.visualstudio.com/
• PyCharm: https://www.jetbrains.com/pycharm/

 

Strumenti:

• Jupyter: https://jupyter.org/
• Google Colab: https://colab.research.google.com/
• Anaconda: https://www.anaconda.com/products/distribution

Orario di ricevimento

Consulta il sito web di Gianluca Ferri