MACHINE LEARNING

Obiettivi formativi

GENERALI Sono fornite le nozioni avanzate teoriche e applicative che riguardo i modeni metodi Machine Learning (ML), le altre metodologie specifiche ad essi riconducibili e i vari contesti applicativi, generalmente riferiti ai metodi di apprendimento dai dati con approccio prevalentemente statistico. Gli obiettivi formativi riguardano la rivisitazione/presentazione dei metodi ML con approfondimenti matematici, la applicabilità dei metodi in vari scenari di interesse. In particolare, il corso si articola sul seguenti tematiche che generali: 1) Principi matematici della moderna intelligenza artificiale; 2) Introduzione o rivisitazione dei metodi ML con approccio teorico e matematico avanzato; 3) Algoritmi specifici di ML avanzati: teoria e pratica; 4) Principali librerie utilizzate nel contesto del ML. In particolare ScikitLearn, Torch e TensorFlow 2.x. SPECIFICI • Conoscenza e capacità di comprensione: Lo studente acquisirà conoscenze e che lo metteranno in grado di comprendere le problematiche generali di applicabilità dei metodi ML nei vari contesti operativi. • Capacità di applicare conoscenza e comprensione: Lo studente acquisirà competenze che lo metteranno progettare e realizzare algoritmi ML nei problemi di classificazione, regressione, predizione e filtraggio. Contestualizzazione delle metodologie in scenari applicativi. • Autonomia di giudizio: Attraverso un’intensa e sistematica attività pratica su dati reali, lo studente acquisirà autonomia di giudizio rispetto alle specifiche di problemi pratici e alle capacità di individuare soluzioni adeguate a rispondere alle prestazioni richieste. • Abilità comunicative: Le tematiche affrontate nel corso sono di generale interesse nell'ambito scientifico e industriale, in particolare nei campi dei beni culturali, dell’e-health, della domotica, dell’ambiente, della logistica, del trasporto, della sicurezza delle persone e delle cose. A valle di tale insegnamento, lo studente sarà in grado di comunicare le conoscenze acquisite a interlocutori specialisti e non specialisti nel mondo della ricerca e del lavoro in cui svilupperà le sue successive attività scientifiche e/o professionali. • Capacità di apprendimento: La metodologia didattica implementata nell'insegnamento richiede un’attività di studio autonomo e auto-gestito durante lo sviluppo di elaborati monotematici per l’approfondimento didattico e/o sperimentale di specifici argomenti.

Canale 1
AURELIO UNCINI Scheda docente

Programmi - Frequenza - Esami

Programma
rgomenti principali: Parte 1: Matematica e statistica avanzata, contestualizzati per il Machine Learning (0.5 CFU) 1. Spazi metrici: blocchi base per il moderno ML; 2. Programmazione non lineare per ottimizzazione non vincolata e vincolata: teoria e algoritmi; 3. Variabili e processi stocastici, teoria della stima, teoria dell’informazione: Contestualizzazione per metodi ML; 4. Trasformazioni per la rappresentazione e la riduzione della dimensionalità dei dati. Parte 2: Algoritmi ML "classici" e loro applicazioni pratiche (1.0 CFU) 1. Algoritmi supervisionati per la classificazione e la regressione (rivisitazione in quanto già noti dalla triennale); 2. Algoritmi non supervisionati per il clustering (rivisitazione in quanto già noti dalla triennale); 3. Soluzione di sistemi lineari sovra/sotto determinati e sparsi 4. Modelli ML per filtraggio adattivo lineare e non lineare 5. Support Vector Machines e varianti che includono: Kernel SVM, SVM multi classe, SVM per dati non bilanciati, Least Squares SVM; 6. Alberi di decisione e varianti che includono: alberi di regressione, CART (Classification and Regression Trees), Random Forest, Boosted Trees, Decision Trees per il Data Stream. Parte 3: Algoritmi ML avanzati (1.5 CFU) 1. Tecniche di Ottimizzazione Avanzate: ottimizzazione multi-obiettivo, algoritmi metaeuristici (es. algoritmi genetici, simulated annealing), per risolvere problemi di ottimizzazione complessi non affrontati con le tecniche standard; 2. Apprendimento Semi-Supervisionato e Rinforzato: metodi di apprendimento che utilizzano dati non etichettati o parzialmente etichettati, e tecniche di apprendimento per rinforzo, come Q-learning e policy gradients per decision making sequenziale; 3. Modelli Grafici Avanzati: Esplorazione di modelli grafici probabilistici per l'inferenza, come le reti Bayesiane e i campi casuali di Markov; 4. Introduzione ai modelli a ispirazione biologica e alle Reti Neurali. Parte 4: Python (3 CFU) A cura del Prof. Michele Scarpiniti 1. Richiami sulle basi della programmazione in Python; 2. Utilizzo delle principali librerie: approfondimenti di NumPy, Matplotlib e SciPy; 3. La manipolazione dei dati e la libreria Pandas; 4. Machine Learning in Python: sviluppo di programmi object oriented e la libreria Scikit-learn; 5. Utilizzo di Scikit-learn per il pre-processamento dei dati, l’implementazione, la validazione e la valutazione dei modelli descritti nel corso; 6. Sviluppo di alcuni progetti completi.
Prerequisiti
Il corso ML si propone come un corso avanzato. Per cui si auspica la conoscenza delle tecniche di base del ML, per esempio già acquisite in primo corso sull’argomento, e la capacità di programmazione in linguaggio Python. Nel caso tali competenze non siano presenti, il docente fornisce materiale specifico per l’allineamento delle competenze necessarie per seguire il corso con profitto.
Testi di riferimento
Aurelio Uncini, “MeM-AI: Mathematical Elements of Modern Artificial Intelligence,” dispense Ed. 2025. Aurelio Uncini, “Introduction to Neural Networks and Deep Learning,” Cap .1 – Cap. 5 dispense Ed. 2025. Aurelio Uncini, "Fundamentals of Adaptive Signal Processing", ISBN : 978-3-319-02806-4, Springer, 2015 Articoli specifici forniti dal Docente su argomenti avanzati.
Frequenza
Secondo il regolamento del CdA
Modalità di esame
Max 24 punti per lo svolgimento e la discussione del progetto di fine corso. Max 6 punti per la prova orale su tutto il programma del corso.
Modalità di erogazione
Didattica in presenza. In casi eccezionali anche a distanza.
MICHELE SCARPINITI Scheda docente

Programmi - Frequenza - Esami

Programma
Fondamenti di programmazione Python. Python per il machine learning. Esempi di applicazioni. Implementazione dei principali modelli del machine learning.
Prerequisiti
Conoscenza della programmazione di base.
Testi di riferimento
Sebastian Raschka, Vahid Mirjalili, Machine Learning con Python - Costruire algoritmi per generare conoscenza, Seconda edizione, Apogeo, 2020.
Frequenza
La frequenza non è obbligatoria ma fortemente consigliata.
Modalità di esame
Svolgimento di un progetto con consegna della relazione. Per superare l'esame occorre conseguire un voto non inferiore a 18/30. Lo studente deve dimostrare di aver acquisito una conoscenza sufficiente delle tecniche di Machine Learning e di essere in grado di svolgere un progetto in autonomia, applicando alcune delle tecniche studiate in un contesto applicativo. Nella valutazione dell'esame la determinazione del voto finale tiene conto dei seguenti elementi: 1) Qualità tecnica del progetto : 70% 2) Discussione del progetto : 30%
Modalità di erogazione
Il corso è erogato tramite lezioni ed esercitazioni in aula.
  • Codice insegnamento10593529
  • Anno accademico2025/2026
  • CorsoTelecommunication Engineering - Ingegneria delle Telecomunicazioni
  • CurriculumTelecommunication Engineering (percorso valido anche ai fini del rilascio del doppio titolo italo-francese o italo-statunitense )
  • Anno1º anno
  • Semestre1º semestre
  • SSDING-IND/31
  • CFU6
  • Ambito disciplinareIngegneria delle telecomunicazioni