Introduzione pratica all’Intelligenza Artificiale

AIBTA01

Docenti

Michele Ermidoro – PhD, Assistant Professor.
Mirko Mazzoleni – PhD.

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 5 giorni. Ogni giorno di lezione è composto da 6 ore suddivise tra la mattina e il pomeriggio. L’intera attività didattica si terrà in italiano 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

GIORNO 1

Mattino

• Introduzione all’intelligenza artificiale, data science e machine learning
• Dai problemi di business ai problemi di data science
• Regressione lineare

Pomeriggio

• Regressione logistica
• Laboratorio pratico in python di regressione e classificazione

GIORNO 2

Mattino

• Overfitting e regolarizzazione
• Validazione del modello di machine learning

Pomeriggio

• Metriche di performance del modello di machine learning
• Alberi decisionali e random forest
• Laboratorio pratico in python sulla regolarizzazione, validazione

GIORNO 3

Mattino

• Reti neurali
• Introduzione al deep learning
• Spiegabilità e interpretabilità delle reti neurali
• Laboratorio pratico in python su alberi decisionali

Pomeriggio

• Machine vision
• Convolutional neural networks

GIORNO 4

Mattino

• Object detection
• Laboratorio pratico in python su reti neurali
• Laboratorio pratico in python su convolutional neural networks

Pomeriggio

• Clustering
• Principal Components Analsyis
• Laboratorio pratico in python su clustering e PCA

GIORNO 5

Mattino

• Recommender systems
• Text analytics
• Laboratorio pratico in python su recommender systems text analytics

Pomeriggio

• Bandit algorithms
• Laboratorio pratico in python su bandit algorithms
• Open discussion