Studiare

In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.

Piano Didattico

A.A. 2024/2025 A.A. 2023/2024 A.A. 2022/2023

Queste informazioni sono destinate esclusivamente agli studenti e alle studentesse già iscritti a questo corso.
Se sei un nuovo studente interessato all'immatricolazione, trovi le informazioni sul percorso di studi alla pagina del corso:

Laurea magistrale in Artificial Intelligence - Immatricolazione dal 2025/2026

Il piano didattico è l'elenco degli insegnamenti e delle altre attività formative che devono essere sostenute nel corso della propria carriera universitaria.
Selezionare il piano didattico in base all'anno accademico di iscrizione.

1° Anno

InsegnamentiCreditiTAFSSD
12
B
ING-INF/05
12
B
INF/01
12
B
ING-INF/05

2° Anno  Attivato nell'A.A. 2024/2025

InsegnamentiCreditiTAFSSD
6
C
INF/01
Final exam
18
E
-
Attivato nell'A.A. 2024/2025
InsegnamentiCreditiTAFSSD
6
C
INF/01
Final exam
18
E
-
Insegnamenti Crediti TAF SSD
Tra gli anni: 1°- 2°
1 course among the following
6
C
SECS-S/06
6
C
M-FIL/02
6
C
IUS/17
6
C
IUS/02
6
C
IUS/08
6
C
IUS/04
6
C
IUS/01
6
C
IUS/07
Tra gli anni: 1°- 2°
2 modules among the following (1st year: Knowledge representation, Natural language processing, HCI Intelligent interfaces - 2nd year: AI & Cloud, Visual intelligence, Statistical learning - 1st and 2nd year: Computer Vision & Deep Learning)
6
C
INF/01
6
C
INF/01
6
C
ING-INF/05
6
C
INF/01
6
C
ING-INF/05
6
C
MAT/06
6
C
ING-INF/06
Tra gli anni: 1°- 2°
2 modules among the following (1st year: Knowledge representation, Natural language processing, HCI Intelligent interfaces - 2nd year: AI & Cloud - 1st and 2nd year: Computer Vision & Deep learning)
6
B
INF/01
6
B
INF/01
6
B
ING-INF/05
6
B
INF/01
6
B
ING-INF/05
Tra gli anni: 1°- 2°
2 courses among the following (A.A. 2023/24: Complex systems and Network Science not activated)
6
C
ING-INF/05
6
C
INF/01
6
C
FIS/02
6
C
INF/01
6
C
MAT/08
6
C
MAT/09
6
C
INF/01 ,ING-INF/05
6
C
INF/01
6
C
FIS/02
6
C
INF/01
6
C
MAT/06
Tra gli anni: 1°- 2°
Further activities: 3 CFU training and 3 CFU further language skill or 6 CFU training. International students (i.e. students who do not have an Italian bachelor’s degree) must compulsorily gain 3 CFU of Italian language skills (at least A2 level) and 3 CFU training.
6
F
-
Tra gli anni: 1°- 2°
12
D
-

Legenda | Tipo Attività Formativa (TAF)

TAF (Tipologia Attività Formativa) Tutti gli insegnamenti e le attività sono classificate in diversi tipi di attività formativa, indicati da una lettera.

A Attività di base
B Attività caratterizzanti
C Attività formative affini o integrative
D Attività a scelta dello studente
E Prova finale
F Altre attività formative
S Stage e tirocini presso imprese, enti pubblici o privati, ordini professionali

AI and finance  (2023/2024)

Codice insegnamento

4S010697

Docente

Sara Svaluto Ferro

Coordinatore

Sara Svaluto Ferro

Crediti

6

Lingua di erogazione

Inglese en

Settore Scientifico Disciplinare (SSD)

SECS-S/06 - METODI MATEMATICI DELL'ECONOMIA E DELLE SCIENZE ATTUARIALI E FINANZIARIE

Periodo

II semestre dal 4 mar 2024 al 14 giu 2024.

Corsi Singoli

Autorizzato

Orario Lezioni MoodleMoodle Seminari 0

Obiettivi di apprendimento

L’obiettivo di questo corso è quello di mostrare la relazione tra i principali metodi di machine learning ed i metodi standard per l’econometria finanziaria. Durante il corso alle studentesse ed agli studenti verranno inizialmente introdotti i fondamenti dell'econometria bayesiana (inferenza, selezione del modello). Poi verranno loro presentati la Regressione Bayesiana ed i Processi Gaussiani (e.g., prezzi e grecizzazione con Processi gaussiani). Successivamente verrà fornita una descrizione approfondita dell'apprendimento supervisionato (Reti neurali feedforward, convessità e vincoli di disuguaglianza, validazione e test della formazione, discesa del gradiente stocastico e reti neurali). L’Interpretabilità verrà poi introdotta (restrizioni alla progettazione della rete neurale, potenza delle reti neurali, limiti alla varianza dello Jacobiano). Nella parte finale del corso gli studenti avranno modo di acquisire conoscenze sui concetti di modellazione più importanti dell'econometria finanziaria (come riferimento per le prestazioni). La modellazione autoregressiva ed i modelli per serie temporali di montaggio (Box) e l'approccio di Jenkins verranno presentati. Infine, sarà introdotta la classe di modelli probabilistici per i dati finanziari quali Markov nascosto, modelli dotati di filtro Kalman, ed il filtraggio delle particelle e la sua applicazione a modelli di volatilità stocastica in finanza. Il corso si conclude con la descrizione delle reti neurali avanzate (reti neurali ricorrenti, reti neurali convoluzionali, autoencoder).