99513 - ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING FOR CLIMATE SCIENCE

Conoscenze e abilità da conseguire

The student will learn the basis of artificial intelligence and machine learning (clustering, classification, regression, neural networks and Bayesian methods) and its application to climate science, with particular attention to the analysis of time series and space-resolved data. The student will learn how to implement these methods in open-source environments (eg. Python and R).

Contenuti

• Introduzione all'analisi dati e fondamenti di machine learning: features, rappresentazione dei dati, supervised/unsupervised learning, regressione e classificazion
• Introduzione a dati climatici e relativi allo studio della scienza del clima
• Statistica: distribuzioni di probabilità, probabilità marginale e condizionale, teoria Bayesiana
• Machine learning: prediction problem, concetti di overfitting/underfitting, iper-parametri, decomposizione bias-variance, cross-validation e corretta gestione dei dati nei processi di apprendimento
• Regressione lineare: MLE, regressione lineare bayesiana, introduzione alla regolarizzazione dei parametri
• Classificazione lineare: Analisi del discriminante, regressione logistica
• Modelli di Classificazione: Support Vector Machine, Decision Tree, Random Forest
• Introduzione alle reti neurali: Simple Perceptron, funzioni di attivazione, feed-forward neural network, error backpropagation, funzioni loss, regolarizzazione dei parametri, discesa del gradiente stocastico, ottimizzatori
• Dimensionality reduction: optimal projection, SVD, PCA, t-SNE
• Clustering: clustering gerarchico, K-Means, Spectral Clustering, DBscan
• Introduzione agli Autoencoders: sampling methods, expectation-maximization, VAE, GAN, Diffusion models
• Reti neurali convoluzionali: applicazioni e principali architetture
• Reti neurali ricorsive: modelli RNN, LSTM
• Applicazioni ed esempi pratici mediante sessioni hands-on e codici Python

Testi/Bibliografia

Bishop - Machine learning and pattern recognition

Ian Goodfellow and Yoshua Bengio and Aaron Courville - Deep Learning

Metodi didattici

Lezioni frontali con slide e lavagna

Modalità di verifica e valutazione dell'apprendimento

Progetto scritto con analisi originali (ed integrazione di esame orale quando e se necessario)

Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile( https://site.unibo.it/studenti-con-disabilita-e-dsa/it ): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Strumenti a supporto della didattica

Dispense, slide e repository di codici utilizzati come casi di studio ed esempi applicativi

Orario di ricevimento

Consulta il sito web di Nico Curti

Consulta il sito web di Michele Martinazzo

Consulta il sito web di Giovanni De Cillis