Introduzione pratica all’Intelligenza Artificiale

AIBTA01

Docenti

Michele Ermidoro – PhD, consulente freelance, Mirko Mazzoleni – PhD, ricercatore UniBG

Finalità

Il presente corso si prefigge di fornire gli elementi necessari per comprendere ed applicare alcune delle più comuni tecniche e procedure del machine learning e dell’intelligenza artificiale. Oltre ai modelli utili per effettuare delle previsioni, si affronteranno metodi per risolvere problemi di raccomandazione, analisi delle immagini e analisi del testo. Verranno introdotti sia i concetti teorici sia gli aspetti applicativi, coadiuvati da esempi pratici, dello sviluppo di modelli atti a descrivere i dati a disposizione.

Destinatari

Il corso è rivolto a chiunque desideri entrare in possesso delle conoscenze fondamentali dello sviluppo di modelli dai dati, oltre che ad una panoramica dei possibili approcci per sfruttare le opportunità messe a disposizione dal possedere una base di dati.

Durata e Struttura del Corso

Il corso ha una durata complessiva di 4 giorni. Ogni giorno di lezione è composto da 8 ore suddivise tra la mattina e il pomeriggio. L’intera attività didattica si terrà in italiano mediante lezioni frontali con l’ausilio di slides e testi. È previsto, al termine di ogni giornata didattica una sorta di laboratorio “hand on” in cui provare i concetti imparati. Il laboratorio presenterà esempi reali presentando codice in uno tra i seguenti linguaggi di programmazione: Matlab, Python o R.

Programma

1a Giornata (8 ore): LEARNING FROM DATA – REGRESSIONE

Mattino:

• Introduzione
• Tipologie di apprendimento: supervisionato, non supervisionato, per rinforzo
• Feasibility of learning
• Teoria della generalizzazione e VC-dimension (cenni)
•  Regressione Lineare
• Formulazione matematica del problema
• Stima mediante minimi quadrati del modello lineare
• Esempi di problemi risolvibili tramite regressione lineare

Pomeriggio:

• Regressione Logistica
• Formulazione matematica del problema
• Stima a massima verosimiglianza – formulazione generale
• Stima a massima verosimiglianza del modello di regressione logistica
• Metodo del gradient descent per l’ottimizzazione della cifra di merito
• Overfitting e Regolarizzazione
• Descrizione del problema dell’overfitting e diagnostica della presenza
• Cause dell’overfitting
• Combattere overfitting tramite diversi approcci di regolarizzazione della stima
• Relazione tra errore out-of-sample e regolarizzazione
• Laboratorio pratico esempio regressione e classificazione
• Esempi pratici di regressione ( regressione lineare) e classificazione (regressione logistica) utilizzando dataset reali

2a Giornata (8 ore): LEARNING FROM DATA - CLASSIFICAZIONE

Mattino:

• Validazione
• Stima dell’errore out-of-sample
• Metodo della validazione e della cross-validazione
• Cross-validazione per la stima degli iper-parametri incogniti di un modello di machine learning
• Metriche di performance
• Valutazione delle performance del modello tramite metriche e indicatori quantitativi
• Curva ROC e AUC
• Quantità: False positive, Falsi negative, True positive, True negative
• Metriche per problemi di classificazione in cui le classi sono sbilanciate
• Laboratorio pratico esempio regolarizzazione/validazione
• Esempi pratici dell’utilizzo di regolarizzazione e validazione per la stima e la valutazione delle performance di un modello di machine learning

Pomeriggio

• Alberi decisionali e random forest
• Descrizione delle tecniche ad albero per la classificazione e regressione
• Selezione automatica dai delle variabili più importanti
• La tecnica del bagging per la riduzione della varianza del modello
• Introduzione alle Neural Networks, Reti neurali percettrone multistrato
• Struttura di una rete neurale a percettrone multistrato (MLP)
• Funzioni di attivazione
• Teorema di approssimazione universale
• Funzione di costo per il training delle reti neurali MLP
• Metodo della backpropagation per la stima del gradiente della funzione di costo
• Reti neurali per regressione e classificazione
• Laboratorio pratico alberti decisionali/random forest
• Esempi pratici dell’utilizzo di tecniche ad albero per la classificazione e selezione delle features

3a Giornata (8 ore): ANALISI DELLE IMMAGINI

Mattino

• Machine Vision
• Approccio classico
• Come l’intelligenza artificiale ne ha stravolto le caratteristiche
• Reti neurali convoluzionali (CNN)
• Descrizione della struttura di una rete convoluzionale
• Iper-parametri del modello (stride, pooling, funzione di attivazione)
• Applicazione all’analisi delle immagini
• Object detection tramite CNN
• Descrizione della struttura di una rete neurale per la object detection
• Modelli comuni esistenti per la object detection (YOLO, SSD)

Pomeriggio

• Frameworks per il deep learning
• Descrizione e confrontro tra le librerie software disponibili per il deep learning tramite reti neurali
• Unsupervised learning, k-means clustering
• Descrizione del problema dell’apprendimento non supervisionato
• Algoritmo k-means, formulazione del problema e calcolo della soluzione
• Esempi di applicazione delle tecniche di clustering
• Laboratorio pratico deep learning
• Esempi pratici dell’utilizzo di reti neurali per il riconoscimento di immagini
• Framework da decidere uno tra: TensorFlow, Pytorch, Theano, H20

4a Giornata (8 ore): APPLICAZIONI DI INTELLIGENZA ARTIFICIALE

Mattino

• Recommender systems
• Formulazione del problema
• Soluzione del problema tramite tecniche di clustering
• Soluzione del problema tramite tecniche di regressione
• Text analytics
• Il problema dell’analisi automatica del testo
• Applicazione dell’analisi del testo
• Analisi del sentiment
• Il modello word2vec

Pomeriggio

• Bandit algorithms
• Introduzione al reinforcement learning
• Il problema degli algoritmi bandit
• Utilizzo e tuning degli algoritmi bandit
• Laboratorio pratico clustering, pca, recommender systems e text analytics
• Esempi pratici dell’utilizzo di delle tecniche di clustering e riduzione della dimensionalità.
• Utilizzo della PCA per data visualization
• Creazione di un recommender systems per suggerire film ad utenti di un servizio online di visione filmografica
• Esempio di sentiment analisi per dati provenienti da Twitter

Materiale didattico

Ad ogni partecipante al corso verranno fornite delle dispense/note relative agli argomenti trattati, assieme a copie delle presentazioni in Powerpoint utilizzate durante le lezioni.