Introduzione all’Intelligenza Artificiale e ML

OBIETTIVI
Gli allievi apprenderanno come progettare modelli lineari e non lineari ottimi relativamente ai problemi di regressione, classificazione e predizione. Contestualmente, acquisiranno familiarità con le tecniche di apprendimento profonde e il loro utilizzo in applicazioni reali. 

CONTENUTO DEL CORSO
Il corso si focalizzerà sui seguenti macro-argomenti: Intelligenza artificiale e apprendimento nelle machine, apprendimento supervisionato: modelli lineari e non lineari per regressione, predizione e controllo; Deep learning: reti convolutive e feedforward multistrato; Tecniche di validazione di modello: cross validation, k-fold cross validation, leave-one-out, bootstrap; Apprendimento non-supervisionato: PCA e K-means clustering. 

Cicli di laboratorio completeranno la preparazione. Alcune competenze di base di analisi matematica (derivate, integrali) e di statistica e probabilità (valore atteso, varianza, distribuzione di probabilità) sono auspicabili.

MODALITÀ D'ESAME

Esame e progetto

RIFERIMENTI BIBLIOGRAFICI

• “Introduction to statistical learning”, James, Witten, Hastie, Tibshirani, Springer
  Il volume e’ scaricabile gratuitamente da https://www-bcf.usc.edu/~gareth/ISL/ISLR First Printing.pdf
•  Lucidi forniti dal docente.