COMPUTATIONAL INTELLIGENCE

Internazionalizzazione della Didattica COMPUTATIONAL INTELLIGENCE

0222700001
DIPARTIMENTO DI SCIENZE AZIENDALI - MANAGEMENT & INNOVATION SYSTEMS
CORSO DI LAUREA MAGISTRALE
DATA SCIENCE E GESTIONE DELL'INNOVAZIONE
2021/2022

OBBLIGATORIO
ANNO CORSO 1
ANNO ORDINAMENTO 2020
SECONDO SEMESTRE
CFUOREATTIVITÀ
642LEZIONE
321LABORATORIO
Obiettivi
NELL’AMBITO DELLO STUDIO DELLE METODOLOGIA DI APPRENDIMENTO DA ESEMPI, DEL PATTERN RECOGNITION STATISTICO E DELL’INTELLIGENZA ARTIFICIALE, LO STUDENTE APPROFONDIRÀ LA CONOSCENZA DEI MODELLI PER LA RISOLUZIONE DI PROBLEMI COMPLESSI E PER L’ANALISI DI DATI MULTIDIMENSIONALI, CON RIFERIMENTO A PROBLEMI DI CLASSIFICAZIONE, CLUSTERING E REGRESSIONE DEI DATI.
LO STUDENTE ACQUISIRÀ I CONCETTI DI SISTEMA, DI STRUTTURA E DI APPRENDIMENTO COME VARIAZIONE DELLA STRUTTURA DI UN SISTEMA ATTRAVERSO GLI ESEMPI RICEVUTI. INOLTRE ACQUISIRÀ I CONCETTI RELATIVI ALLA INTELLIGENZA ARTIFICIALE E COMPUTAZIONALE E COME USARLI INSIEME O COMPARARLI CON I MODELLI ADATTIVI.
LO STUDENTE ACQUISIRÀ LE SEGUENTI CAPACITÀ APPLICATIVE:
- ANALISI DI PROBLEMI CONCRETI DI PATTERN RECOGNITION STATISTICO, INTELLIGENZA ARTIFICIALE E COMPUTAZIONALE;
- PROGETTAZIONE DEI PROGRAMMI PER LA REALIZZAZIONE DEI MODELLI STUDIATI SU DATI REALI E SINTETICI;
- ANALISI DEI RISULTATI OTTENUTI.
MEDIANTE LE CONOSCENZE ACQUISITE DURANTE IL CORSO, LO STUDENTE SARÀ IN GRADO DI ORIENTARSI IN SUCCESSIVI PROBLEMI DI DATA MINING E ANALISI DI DATI MULTIDIMENSIONALI CON MODELLI DI APPRENDIMENTO DA ESEMPI E INTELLIGENZA ARTIFICIALE E COMPUTAZIONALE.
LO STUDENTE ACQUISIRÀ LA CAPACITÀ DI ORIENTARSI NELLO STUDIO E RISOLUZIONE DI PROBLEMI DI ANALISI DI DATI MULTIDIMENSIONALE E DI DATA MINING.
LO STUDENTE ACQUISIRÀ LA CAPACITÀ DI DESCRIVERE CON PROPRIETÀ DI LINGUAGGIO LE CARATTERISTICHE DI MODELLI DI APPRENDIMENTO DA ESEMPI, DI PROBLEMATICHE DI ANALISI STATISTICA DI DATI MULTIDIMENSIONALI, DI INTELLIGENZA ARTIFICIALE E COMPUTAZIONALE E DI DATA MINING.
Prerequisiti
I concetti di base acquisiti nella laurea triennale in matematica, algoritmi e strutture dati, probabilità e statistica e programmazione dei computer.
Contenuti
I - PATTERN RECOGNITION E MACHINE LEARNING
I.A PRIMO MODULO
1 INTRODUZIONE AL PATTERN RECOGNITION
(8 ORE: FRONTALI)
2 DISTRIBUZIONI DI PROBABILITÀ E STIMA DI PDF
(8 ORE: 4 FRONTALI E 4 ESERCITAZIONI IN LABORATORIO)
3 MODELLI DI MISTURE, CLUSTERING
(7 ORE:5 FRONTALI E 2 ESERCITAZIONI IN LABORATORIO)
4 PREPROCESSING, ANALISI DELLE CARATTERISTICHE E DELLE COMPONENTI PRINCIPALI
(9 ORE: 4 FRONTALI E 5 ESERCITAZIONI IN LABORATORIO)
I.B SECONDO MODULO
5 ALBERI DI DECISIONE E RANDOM FOREST
(4 ORE: FRONTALI)
6 MODELLI LINEARI PER LA REGRESSIONE E LA CLASSIFICAZIONE
(8 ORE: 6 FRONTALI E 2 ESERCITAZIONI IN LABORATORIO)
7 RETI NEURALI E SVM PER LA REGRESSIONE E LA CLASSIFICAZIONE
(7 ORE: 5 FRONTALI E 2 ESERCITAZIONI IN LABORATORIO)
8 DEEP LEARNING
(8 ORE: 2 ORE FRONTALE E 6 DI ESERCITAZIONI)

II - ALCUNI ELEMENTI DI TEORIA DELL’INFORMAZIONE
(4 ORE: FRONTALI)
Metodi Didattici
L’INSEGNAMENTO È ARTICOLATO IN DUE MODULI DI 42 E 21 ORE DI DIDATTICA FRONTALE E LABORATORIO, RISPETTIVAMENTE.

LEZIONI IN AULA ED ESERCITAZIONI IN LABORATORIO PER LA PRESENTAZIONE DELLE CONOSCENZE TEORICHE E PER LO SVILUPPO DELLE CAPACITÀ APPLICATIVE CHE DEBBONO ESSERE ACQUISITE DA PARTE DELLO STUDENTE.
Verifica dell'apprendimento
PROVA ORALE DOPO LA FINE DEL CORSO CHE INCLUDE LA PRESENTAZIONE DI UN PROGETTO DI ANALISI DATI CON TECNICHE DI INTELLIGENZA COMPUTAZIONALE E PATTERN RECOGNITION CONCORDATO CON IL DOCENTE DURANTE IL CORSO.
Testi
C.M. BISHOP: “PATTERN RECOGNITION AND MACHINE LEARNING”, SPRINGER SCIENCE, NEW YORK, 2006

R.O. DUDA, P.H. HART, D.G. STORK: “PATTERN CLASSIFICATION”, WILEY-INTERSCIENCE, II EDIZIONE, NEW YORK, 2001

I. GUYON, S. GUNN, M. NIKRAVESH, L.A. ZADEH: “FEATURE EXTRACTION: FOUNDATIONS AND APPLICATIONS”, SPRINGER, BERLINO, 2007

DAVID J. C. MACKAY: “INFORMATION THEORY, INFERENCE AND LEARNING ALGORITHMS”, CAMBRIDGE UNIVERSITY PRESS, CAMBRIDGE, 2003

SERGIOS THEODORIDIS, KONSTANTINOS KOUTROUMBAS: “PATTERN RECOGNITION”, 4TH EDITION. ACADEMIC PRESS, AMSTERDAM, 2008

SERGIOS THEODORIDIS AGGELOS PIKRAKIS KONSTANTINOS KOUTROUMBAS DIONISIS CAVOURAS: “INTRODUCTION TO PATTERN RECOGNITION: A MATLAB APPROACH”, ACADEMIC PRESS, AMSTERDAM, 2010

ROBERTO BATTITI, MAURO BRUNATO: "THE LION WAY. MACHINE LEARNING PLUS INTELLIGENT OPTIMIZATION. VERSION 2.0"
LIONLAB, UNIVERSITY OF TRENTO, ITALY, 2014.

FRANÇOIS CHOLLET: "DEEP LEARNING WITH PYTHON", MANNING PUBLICATIONS CO., SHELTER ISLAND, NY, 2018
Altre Informazioni
LA FREQUENZA DELL'INSEGNAMENTO È FORTEMENTE CONSIGLIATA IN QUANTO CONSENTE UNA PIÙ RAPIDA ED EFFICACE COMPRENSIONE DEI FONDAMENTI TEORICI E DELLE TECNICHE APPLICATIVE.
LO STUDENTE DOVRÀ DEDICARE UN ADEGUATO NUMERO DI ORE DI STUDIO, IN AGGIUNTA A QUELLE TRASCORSE IN AULA, PER IL NECESSARIO CONSOLIDAMENTO DELLA PROPRIA CONOSCENZA E PER LO SVILUPPO DELL’ABILITÀ APPLICATIVA DA ACQUISIRE.
AI FINI DELLA VERIFICA DEL PROFITTO, PER LA PROVA ORALE LO STUDENTE DOVRÀ DEDICARE DELLE ORE DI STUDIO AL CONSOLIDAMENTO DELLA PADRONANZA DEI CONCETTI ED ALLA ACQUISIZIONE DI UNA ADEGUATA PROPRIETÀ DI LINGUAGGIO.
  BETA VERSION Fonte dati ESSE3
  • Didattica