Filosofia e Intelligenza Artificiale

1. Introduzione alle Applicazioni di Machine Learning: Panoramica delle varie applicazioni del machine learning, con un focus particolare sui problemi che il corso intende affrontare: computer vision, natural language processing, recommender systems e retrieval augmented generation. 2. Computer Vision: Studio di tecniche avanzate per il riconoscimento di immagini, la segmentazione e l'analisi video. Implementazione di casi di studio che utilizzano reti neurali convoluzionali e altre tecniche di deep learning. 3. Elaborazione del Linguaggio Naturale (NLP): Approfondimento degli algoritmi per l'analisi del linguaggio, traduzione automatica, sintesi vocale e comprensione del testo. Uso di modelli come BERT e GPT per applicazioni pratiche. 4. Sistemi di Raccomandazione: Esame delle strategie per sviluppare sistemi di raccomandazione personalizzati e scalabili, analisi del comportamento degli utenti e filtraggio collaborativo. 5. Retrieval Augmented Generation: Introduzione ai modelli che integrano retrieval di informazioni e generazione di testo, come RAG e RETRO, esplorando le loro applicazioni in domini specifici come assistenti virtuali e risposta automatica a domande.

1. Fondamenti di Machine Learning: Conoscenza dei concetti base di machine learning come appresi in corsi introduttivi, inclusi algoritmi di apprendimento supervisionato e non supervisionato. 2. Programmazione: Competenze solide in programmazione, preferibilmente in Python, dato che è il linguaggio comunemente usato per le librerie di machine learning. 3. Matematica e Statistica: Buona padronanza di algebra lineare, calcolo differenziale e integrale, e statistica, essenziali per comprendere e implementare algoritmi di machine learning. 4. Data Handling: Capacità di manipolare e preparare dati, comprensione delle problematiche relative alla qualità dei dati e alla loro preparazione per il training dei modelli.

Applied Machine Learning and AI for Engineers by Jeff Prosise Released November 2022 Publisher(s): O'Reilly Media, Inc. ISBN: 9781492098058

Frequenza non obbligatoria

1. Progetto: Gli studenti dovranno sviluppare un progetto finale che applichi le tecniche di machine learning a uno dei domini trattati nel corso (visione artificiale, elaborazione del linguaggio naturale, sistemi di raccomandazione, o retrieval augmented generation). Il progetto può essere svolto individualmente o in piccoli gruppi e dovrà essere presentato alla fine del corso, completo di documentazione e codice sorgente. La valutazione del progetto sarà basata sulla creatività, la correttezza tecnica, l'efficacia dell'implementazione e la qualità della presentazione. 2. Esame Orale: Dopo la presentazione del progetto, gli studenti sosterranno un esame orale basato sia sul loro progetto che sul contenuto teorico del corso. L'esame orale servirà per verificare la comprensione degli algoritmi, delle tecniche di machine learning utilizzate e delle loro implicazioni etiche e sociali. Sarà anche un'occasione per discutere le scelte progettuali e risolvere eventuali dubbi relativi al progetto presentato.

Lezioni e esercitazioni in aula

1. Introduzione alle Applicazioni di Machine Learning: Panoramica delle varie applicazioni del machine learning, con un focus particolare sui problemi che il corso intende affrontare: computer vision, natural language processing, recommender systems e retrieval augmented generation. 2. Computer Vision: Studio di tecniche avanzate per il riconoscimento di immagini, la segmentazione e l'analisi video. Implementazione di casi di studio che utilizzano reti neurali convoluzionali e altre tecniche di deep learning. 3. Elaborazione del Linguaggio Naturale (NLP): Approfondimento degli algoritmi per l'analisi del linguaggio, traduzione automatica, sintesi vocale e comprensione del testo. Uso di modelli come BERT e GPT per applicazioni pratiche. 4. Sistemi di Raccomandazione: Esame delle strategie per sviluppare sistemi di raccomandazione personalizzati e scalabili, analisi del comportamento degli utenti e filtraggio collaborativo. 5. Retrieval Augmented Generation: Introduzione ai modelli che integrano retrieval di informazioni e generazione di testo, come RAG e RETRO, esplorando le loro applicazioni in domini specifici come assistenti virtuali e risposta automatica a domande.

1. Fondamenti di Machine Learning: Conoscenza dei concetti base di machine learning come appresi in corsi introduttivi, inclusi algoritmi di apprendimento supervisionato e non supervisionato. 2. Programmazione: Competenze solide in programmazione, preferibilmente in Python, dato che è il linguaggio comunemente usato per le librerie di machine learning. 3. Matematica e Statistica: Buona padronanza di algebra lineare, calcolo differenziale e integrale, e statistica, essenziali per comprendere e implementare algoritmi di machine learning. 4. Data Handling: Capacità di manipolare e preparare dati, comprensione delle problematiche relative alla qualità dei dati e alla loro preparazione per il training dei modelli.

Applied Machine Learning and AI for Engineers by Jeff Prosise Released November 2022 Publisher(s): O'Reilly Media, Inc. ISBN: 9781492098058

Frequenza non obbligatoria

1. Progetto: Gli studenti dovranno sviluppare un progetto finale che applichi le tecniche di machine learning a uno dei domini trattati nel corso (visione artificiale, elaborazione del linguaggio naturale, sistemi di raccomandazione, o retrieval augmented generation). Il progetto può essere svolto individualmente o in piccoli gruppi e dovrà essere presentato alla fine del corso, completo di documentazione e codice sorgente. La valutazione del progetto sarà basata sulla creatività, la correttezza tecnica, l'efficacia dell'implementazione e la qualità della presentazione. 2. Esame Orale: Dopo la presentazione del progetto, gli studenti sosterranno un esame orale basato sia sul loro progetto che sul contenuto teorico del corso. L'esame orale servirà per verificare la comprensione degli algoritmi, delle tecniche di machine learning utilizzate e delle loro implicazioni etiche e sociali. Sarà anche un'occasione per discutere le scelte progettuali e risolvere eventuali dubbi relativi al progetto presentato.

Lezioni e esercitazioni in aula