Introduzione all’Intelligenza Artificiale

DESCRIZIONE DEL CORSO

Il contenuto del corso riguarda la progettazione di metodi e algoritmi per l’analisi dei dati e l’apprendimento automatico dai dati. Fanno parte dell’ambito del corso i concetti di machine learning, regressione, classificazione, computer vision, processamento del testo e clustering. Gli ambiti di utilizzo dei concetti del corso sono diversi data la possibilità odierna di acquisire e analizzare dati da ogni aspetto del business.

OBIETTIVI DEL CORSO

L’obiettivo del corso è introdurre agli studenti i concetti di analisi del dato e come sia possibile prendere decisioni informate tramite gli strumenti di analisi dei dati proposti. Verranno presentati i concetti di regressione lineare e logistica, le reti neurali e gli alberi decisionali. In particolare, una lezione sarà dedicata alla computer vision (sia con metodi tradizionali che moderni) con esempi applicativi industriali. Il corso terminerà con una panoramica sul processamento del testo in linguaggio naturale e sul reinforcement learning. Durante il corso, verranno presentati esempi in linguaggio Python.

DESTINATARI DEL CORSO

Tecnici progettisti, Manager, Ingegneri, Fisici, Matematici.

PREREQUISITI

I requisiti minimi riguardano delle basi in algebra lineare, analisi matematica reale e programmazione.

COMPETENZE CHE SI ACQUISISCONO

Gli studenti apprenderanno come stimare un modello di apprendimento dai dati, sia supervisionato che non supervisionato, applicando tali conoscenze ad ambiti applicativi come la computer vision. Le competenze acquisite sono generali e possono essere applicate agli ambiti applicativi di interesse dei singoli partecipanti.

PROGRAMMA

GIORNO 1

Mattino

• Introduzione all’intelligenza artificiale, data science e machine learning
• Dai problemi di business ai problemi di data science
• Regressione lineare

Pomeriggio

• Regressione logistica
• Laboratorio pratico in python di regressione e classificazione

GIORNO 2

Mattino

• Overfitting e regolarizzazione
• Validazione del modello di machine learning

Pomeriggio

• Metriche di performance del modello di machine learning
• Alberi decisionali e random forest
• Laboratorio pratico in python sulla regolarizzazione, validazione

GIORNO 3

Mattino

• Reti neurali
• Introduzione al deep learning
• Spiegabilità e interpretabilità delle reti neurali
• Laboratorio pratico in python su alberi decisionali

Pomeriggio

• Machine vision
• Convolutional neural networks

GIORNO 4

Mattino

• Object detection
• Laboratorio pratico in python su reti neurali
• Laboratorio pratico in python su convolutional neural networks

Pomeriggio

• Clustering
• Principal Components Analsyis
• Laboratorio pratico in python su clustering e PCA

GIORNO 5

Mattino

• Recommender systems
• Text analytics
• Laboratorio pratico in python su recommender systems text analytics

Pomeriggio

• • Bandit algorithms
  • Laboratorio pratico in python su bandit algorithms
  • Open discussion