Obiettivi formativi Il corso si prefigge di fornire allo studente le competenze riguardanti le applicazioni più comuni dell'apprendimento automatico (meglio conosciuto come machine learning). Lo studente sarà in grado di riconoscere, dato un problema, il tipo di soluzione più corretta.
Si forniranno le basi teoriche e pratiche che consentiranno di misurare le prestazioni di un sistema basato su apprendimento automatico.
Le principali aree applicative saranno:
i) processamento del linguaggio naturale;
ii) visione artificiale;
iii) sistemi di raccomandazione.
|
Obiettivi formativi Il corso si propone di fornire un'introduzione alla teoria matematica del machine learning, inclusi algoritmi di apprendimento e analisi di dati ad alta dimensionalità.
L'obiettivo principale è fornire allo studente il linguaggio e gli strumenti di base del machine learning, da una prospettiva di teoria dell'apprendimento statistico.
Al termine del corso la/o studentessa/e avrà familiarità con gli algoritmi più conosciuti e, in particolare, sarà in grado di:
- Formulare un problema di machine learning come problema stocastico inverso e padroneggiare le nozioni matematiche di base e gli strumenti ad esso collegati
- Individuare il modello e/o algoritmo più adatto tra quelli discussi durante il corso per un dato problema di machine learning
- Implementare algoritmi semplici e applicarli a dati sintetici e/o reali
- Analizzare le prestazioni di vari algoritmi dal punto di vista della complessità computazionale e dell'accuratezza statistica
|
Obiettivi formativi Obiettivi Generali
Fornire allo studente le nozioni formali fondamentali di due aspetti basilari della preparazione di uno scienziato dell'intelligenza artificiale, la logica matematica e i metodi probabilistici in informatica. A questi due aspetti sono dedicate le due sezioni del corso. La prima parte del corso ha l’obiettivo di introdurre la logica matematica come potente strumento per modellare e ragionare formalmente su diversi aspetti dell’intelligenza artificiale, in particolare la gestione dei dati, la rappresentazione della conoscenza, l'interrogazione e la revisione di dati e conoscenza. La seconda parte del corso intende illustrare alcuni aspetti fondamentali dei metodi
probabilistici in Informatica quali il progetto e l'analisi degli algoritmi probabilistici, i metodi di campionamento e di allocazione probabilistica, i processi stocastici e alcune loro applicazioni all'analisi dei dati e dell’apprendimento automatico.
Obiettivi specifici
Conoscenza e comprensione
Rispetto alla prima parte del corso, lo studente impara le nozioni fondamentali della logica matematica, i principi secondo i quali si giudica la validità degli argomenti, si analizzano le relazioni tra argomenti e si valutano i rapporti inferenziali, come la deduzione, l’induzione e l’abduzione, tra essi. Rispetto alla seconda parte del corso, lo studente impara le nozioni basilari della progettazione degli algoritmi probabilistici e della loro analisi ed acquisisce le basi per applicare tali nozioni al progetto di algoritmi fondamentali in Intelligenza Artificiale, inclusi algoritmi di ricerca e ordinamento, algoritmi su reti e grafi, algoritmi di classificazione, clustering e apprendimento automatico.
Applicare conoscenza e comprensione
Lo studente acquisisce una comprensione profonda del ruolo della logica in vari aspetti dell'intelligenza artificiale e si appropria di conoscenze di base per formalizzare un problema in logica, analizzare teorie logiche e ragionare sulle relative inferenze, costruire teorie logiche per la modellazione di basi di conoscenza di media complessità, specificare in logica interrogazioni di basi di dati e di conoscenza e tradurre in programmi logici la specifica di semplici computazioni.
Lo studente acquisisce una comprensione profonda del ruolo del ruolo della probabilità nel progetto di algoritmi e nell'analisi dei dati e si appropria di conoscenze di base per svolgere analisi di algoritmi probabilistici, definire algoritmi probabilistici per problemi di media complessità, applicare metodi fondamentali quali il metodo di Monte Carlo, le catene di Markov, la programmazione dinamica ed i modelli bayesiani a diversi contesti, come le sequenze, i grafi, le reti, l’apprendimento automatico, la classificazione ed il clustering.
Capacità critiche e di giudizio
Lo studente è in grado di valutare la validità di affermazioni e di argomentazioni, la coerenza di un insieme di assiomi in una base di conoscenza, l’adeguatezza della formulazione di una computazione che estrae dati da una base di dati e di conoscenza, la correttezza di un programma logico rispetto alla specifica di determinate proprietà. Lo studente è in grado di analizzare algoritmi probabilistici, di valutare l’efficacia di metodi probabilistici e di ottimizzazione dinamica a problemi algoritmici e di Intelligenza Artificiale e di giudicare la qualità dell’applicazione di algoritmi di apprendimento automatico, di classificazione e di clustering.
Capacità comunicative
Le attività pratiche e le esercitazioni del corso consentono allo studente di acquisire strumenti cruciali per comunicare e condividere la valutazione critica di strumenti e linguaggi logici e il loro ruolo nell'intelligenza artificiale e dei metodi algoritmici e il loro ruolo in diversi importanti contesti dell'Intelligenza Artificiale.
Capacità di apprendimento
Oltre alle classiche capacità di apprendimento fornite dallo studio teorico delle tematiche di base trattate nel corso, le modalità di svolgimento del corso stesso, in particolare le attività progettuali, stimolano lo studente all'approfondimento autonomo di alcuni argomenti, al lavoro di gruppo e all'applicazione concreta delle nozioni e delle tecniche apprese durante il corso.
|
