Obiettivi formativi Obiettivi formativi
Statistical Machine Learning fornisce un'introduzione rigorosa ai principi statistici e probabilistici alla base dell'intelligenza artificiale moderna, inclusa l'IA predittiva e generativa, e il processo decisionale basato sui dati. Il corso presenta il machine learning come una disciplina statistica, nella quale gli algoritmi di apprendimento sono interpretati come metodi di inferenza dai dati in condizioni di incertezza.
Il corso integra fondamenti teorici con aspetti metodologici e computazionali. Gli studenti svilupperanno una conoscenza dei modelli probabilistici, dell'inferenza statistica, dell'ottimizzazione e della teoria della generalizzazione, insieme alle competenze pratiche necessarie per implementare, valutare e confrontare moderni algoritmi di apprendimento.
Le metodologie affrontate includono metodi kernel, reti neurali profonde, modelli generativi probabilistici come i denoising diffusion probabilistic models (DDPMs) e moderne tecniche di quantificazione dell'incertezza, tra cui la conformal prediction. Durante il corso particolare attenzione sarà dedicata alla valutazione rigorosa dei modelli, alla quantificazione dell'incertezza e all'interpretazione dei modelli predittivi.
Gli aspetti teorici saranno integrati da esercitazioni di programmazione e da un progetto significativo basato su dataset reali, permettendo agli studenti di collegare i principi statistici con l'implementazione computazionale attraverso moderni ambienti open-source per il calcolo scientifico.
Conoscenza e capacità di comprensione
Al termine del corso, gli studenti comprenderanno i principi statistici alla base del machine learning moderno e il loro ruolo nell'intelligenza artificiale predittiva e generativa. Saranno in grado di interpretare gli algoritmi di apprendimento all'interno di un quadro probabilistico unificato, comprendendo come modellazione statistica, inferenza, ottimizzazione e regolarizzazione contribuiscano congiuntamente alle prestazioni predittive e alla capacità di generalizzazione.
Gli studenti comprenderanno le ipotesi, i fondamenti matematici e le caratteristiche computazionali delle principali metodologie di apprendimento supervisionato e non supervisionato, inclusi metodi kernel, reti neurali profonde e modelli generativi probabilistici.
Comprenderanno inoltre i principi teorici alla base della selezione dei modelli, della validazione, del controllo della complessità e della regolarizzazione, nonché della quantificazione dell'incertezza, insieme agli strumenti statistici utilizzati per valutare e confrontare gli algoritmi di apprendimento.
Infine, acquisiranno familiarità con moderni ambienti di calcolo scientifico per l'implementazione, l'analisi e la valutazione sperimentale di metodi di apprendimento statistico.
Capacità di applicare conoscenza e comprensione
Al termine del corso, gli studenti saranno in grado di formulare problemi complessi di analisi dei dati nell'ambito appropriato dell'apprendimento statistico e di individuare strategie di modellazione adeguate in funzione delle caratteristiche dei dati e degli obiettivi dell'analisi.
Acquisiranno le competenze pratiche necessarie per implementare, addestrare e confrontare moderni metodi di machine learning, integrando modellazione statistica e tecniche computazionali per costruire pipeline complete di analisi dei dati.
Gli studenti impareranno a valutare le prestazioni predittive attraverso metodologie statistiche rigorose, a quantificare l'incertezza delle previsioni e a interpretare i risultati considerando le ipotesi e i limiti dei modelli adottati.
Le esercitazioni di programmazione e il progetto finale forniranno esperienza pratica su dataset reali, consentendo agli studenti di collegare i concetti teorici con l'implementazione concreta e di sviluppare soluzioni di machine learning riproducibili.
Autonomia di giudizio
Al termine del corso, gli studenti avranno sviluppato la capacità di valutare criticamente le metodologie di apprendimento statistico sia dal punto di vista teorico sia da quello sperimentale.
Saranno in grado di valutare se le ipotesi alla base di un modello di apprendimento siano appropriate per una determinata applicazione, confrontare approcci di modellazione alternativi e interpretare i risultati sperimentali alla luce delle evidenze statistiche.
Particolare attenzione sarà dedicata alla comprensione del ruolo dell'incertezza nell'apprendimento statistico, permettendo agli studenti di distinguere tra prestazioni predittive, significatività statistica e livello di affidabilità delle uscite dei modelli.
Gli studenti svilupperanno la capacità di valutare criticamente affidabilità, robustezza e limiti degli algoritmi di apprendimento quando applicati a dati complessi del mondo reale.
Abilità comunicative
Gli studenti svilupperanno la capacità di comunicare efficacemente metodologie statistiche e di machine learning attraverso relazioni scritte e presentazioni orali.
Impareranno a presentare scelte metodologiche, risultati sperimentali ed evidenze quantitative in modo chiaro, rigoroso e riproducibile, adattando il livello di dettaglio tecnico al pubblico di riferimento, sia specialistico sia non specialistico.
Il progetto finale contribuirà inoltre a sviluppare la capacità di discutere le scelte di modellazione, interpretare i risultati sperimentali e fornire osservazioni scientifiche costruttive sul lavoro dei colleghi.
Capacità di apprendimento
Il corso mira a sviluppare le capacità di apprendimento autonomo necessarie per proseguire studi e attività di ricerca nell'ambito del machine learning statistico e dell'intelligenza artificiale.
Attraverso la combinazione di analisi teorica e pratica computazionale, gli studenti acquisiranno la capacità di comprendere nuove metodologie dalla letteratura scientifica, valutarne criticamente i fondamenti statistici e adattarle a nuovi ambiti applicativi.
Particolare attenzione sarà dedicata allo sviluppo di un approccio probabilistico al ragionamento in condizioni di incertezza, consentendo agli studenti di comprendere metodologie emergenti di machine learning, integrare i progressi del rapido sviluppo dell'intelligenza artificiale e affrontare l'apprendimento permanente con rigore metodologico e autonomia intellettuale.
| 
