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. 2025/2026 A.A. 2024/2025

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
9
B
SECS-P/08
9
B/C
IUS/01 ,M-FIL/03
9
B
MAT/06
12
B
INF/01

2° Anno  Sarà attivato nell'A.A. 2025/2026

InsegnamentiCreditiTAFSSD
Final exam
21
E
-
Sarà attivato nell'A.A. 2025/2026
InsegnamentiCreditiTAFSSD
Final exam
21
E
-
Insegnamenti Crediti TAF SSD
Tra gli anni: 1°- 2°
1 module among the following
6
C
M-FIL/02
6
C
IUS/02
6
C
IUS/17
6
C
IUS/04
6
C
SPS/07
Tra gli anni: 1°- 2°
2 modules among the following
6
C
SECS-P/10
6
C
SECS-P/08
6
C
SECS-P/10
6
C
SECS-P/08
6
C
AGR/01
Tra gli anni: 1°- 2°
1 module among the following 
- A.A. 2024/2025 Complex systems and social physics - Network science and econophysics - Statistical methods for business intelligence not activated
- A.A. 2025/26 Network science and econophysics not activated
6
C
FIS/02
6
C
FIS/02
6
C
SECS-S/01
Tra gli anni: 1°- 2°
1 module among the following
6
B
MAT/08
6
B
MAT/09
6
B
MAT/06
Tra gli anni: 1°- 2°
2 modules among the following
6
B
INF/01
6
B
INF/01
6
B
ING-INF/05
6
B
ING-INF/05
6
B
INF/01
Tra gli anni: 1°- 2°
Further activities: International students (ie students who do not have an Italian bachelor's degree) must compulsorily gain 3 credits of Italian language skills level B2.
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

Machine learning for data science  (2024/2025)

Codice insegnamento

4S009069

Docente

Francesco Setti

Coordinatore

Francesco Setti

Crediti

6

Offerto anche nei corsi:

Lingua di erogazione

Inglese en

Settore Scientifico Disciplinare (SSD)

ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI

Periodo

I semestre dal 1 ott 2024 al 31 gen 2025.

Corsi Singoli

Autorizzato

Orario Lezioni MoodleMoodle Seminari 0

Obiettivi di apprendimento

L’insegnamento intende offrire la teoria di base per l’apprendimento automatico accanto a tecniche specifiche capaci di lavorare con grandi quantità di dati, quali il deep learning. Teoria e tecniche saranno specificatamente indirizzati a problematiche di data science con particolare enfasi all’analisi di dati. Al termine del corso lo studente dovrà dimostrare di: -conoscere le principali tipologie di dato (e.g.: binari, testi, suoni, etc.) -comprendere e saper utilizzare gli elementi base della statistica descrittiva, della probabilità elementare, dell’algebra lineare con elementi di ottimizzazione e regolarizzazione -conoscere tecniche di base in ambito machine learning (e.g.: support vector machines, random forest, etc) -conoscere tecniche di base in ambito deep learning (e.g. : convolutional neural network, long-short memory machines, etc.) -conoscere le basi in ambito Natural Language Processing per, e.g., sentiment analysis -avere basi in relazione a misure di valutazione e Regressione, e.g., RMSE (Root Mean Square Error), MAE, Rsquared e adjusted Rsquared) -consocere le basi in ambito addestramento supervisionato, e.g., matrice di confusione, accuratezza, precision, recall, F1, Curve precision-recall, ROC, average precision, CMC NLP: Bleu, Spice

Prerequisiti e nozioni di base

Lo studente dovrebbe avere conoscenze di base in analisi matematica, algebra lineare, probabilità e statistica.

Programma

- Introduction to Machine Learning: basics, terminology, performance metrics, inductive bias
- Bayesian decision theory
- Parametric learning
- Support Vector Machines
- Artificial Neural Networks
- Convolutional Neural Networks
- Recurrent Neural Networks
- Auto-Encoders
- Unsupervised Machine Learning

Bibliografia

Vai alla bibliografia
Visualizza la bibliografia con Leganto, strumento che il Sistema Bibliotecario mette a disposizione per recuperare i testi in programma d'esame in modo semplice e innovativo.

Modalità didattiche

Lezioni frontali, esercitazioni, sessioni di laboratorio al PC

Modalità di verifica dell'apprendimento

L’esame prevede la discussione con il docente di un progetto che propone una soluzione ad un problema industriale.
Lo studente dovrà presentare il proprio lavoro in circa 15 minuti (con o senza l'uso di materiale di supporto come slides, relazione scritta, demo, ecc.), seguiti da domande da parte del docente.

Le/gli studentesse/studenti con disabilità o disturbi specifici di apprendimento (DSA), che intendano richiedere l'adattamento della prova d'esame, devono seguire le indicazioni riportate QUI

Criteri di valutazione

Per la composizione del voto si terrà conto di:
- performance del sistema sviluppato (con metriche diverse da problema a problema);
- motivazione teorica che ha spinto lo studente ad effettuare le scelte progettuali;
- capacità di esporre in modo chiaro e conciso i punti chiave del progetto;
- capacità di sostenere una discussione sulle possibili soluzioni alternative e potenziali cause di fallimento della soluzione elaborata.
Lo studente dovrà altresì dimostrare padronanza di tutti gli argomenti in programma (anche quelli non affrontati nel corso del progetto).

Criteri di composizione del voto finale

Il voto sarà basato sulla discussione di un progetto individuale che verterà sugli argomenti del corso.

Lingua dell'esame

Inglese/English