Codice insegnamento

4S004553

Docente

Pietro Sala

Coordinatore

Pietro Sala

Crediti

6

Offerto anche nei corsi:

• Biomedical decision support systems del corso Laurea magistrale in Artificial Intelligence
• Biomedical decision support systems del corso Laurea magistrale in Artificial Intelligence [LM-18]

Lingua di erogazione

Inglese

Settore Scientifico Disciplinare (SSD)

INF/01 - INFORMATICA

Periodo

II semestre dal 2 mar 2026 al 12 giu 2026.

Corsi Singoli

Autorizzato

Orario Lezioni Moodle Seminari 0

Obiettivi di apprendimento

Il corso si pone l'obiettivo di dotare gli studenti delle competenze necessarie per gestire e ottimizzare l'uso dei dati in ambiti diversi, che vanno dal machine learning al data mining, dall'analisi dei dati fino all'applicazione pratica in contesti aziendali o industriali. Saranno trattati argomenti cruciali quali la trasformazione e la profilazione dei dati, al fine di assicurare che questi siano adeguatamente preparati per essere utilizzati in task data-driven. Inoltre, il corso si concentrerà sull'insegnamento delle metodologie più efficaci per valutare la qualità dei risultati ottenuti, considerando aspetti come la confidenza nel risultato, la robustezza (rispetto al rumore o a dati assenti), l'interpretabilità del metodo e la capacità di spiegare la risposta. Gli studenti impareranno a confrontare le diverse tecniche disponibili per la risoluzione di problemi specifici in maniera critica seguendo tale analisi multidimensionale.

Prerequisiti e nozioni di base

Possedere una solida conoscenza di programmazione, inclusa la comprensione di strutture dati, algoritmi di base. Gli studenti dovrebbero essere familiari con concetti fondamentali di statistica e probabilità, algebra lineare e analisi matematica. È richiesta una comprensione di base del machine learning, includendo algoritmi di classificazione, regressione e clustering. Sono essenziali conoscenze preliminari di basi di dati e gestione dei dati. È inoltre importante avere familiarità con concetti di teoria dei grafi e algoritmi, poiché verranno applicati nell'estrazione di pattern e nell'analisi di strutture dati complesse.

Programma

Al termine del corso, gli studenti saranno in grado di applicare tecniche avanzate di data mining per l'estrazione di conoscenza da dataset complessi e eterogenei. Padroneggeranno algoritmi di Association Rules per identificare pattern frequenti e relazioni significative nei dati, utilizzando metriche come supporto, confidenza e lift. Svilupperanno competenze nell'analisi di strutture dati complesse attraverso process mining e automata learning, implementando algoritmi come L* per l'apprendimento di automi. Acquisiranno expertise in tecniche di machine learning avanzate, inclusi metodi ensemble, boosting, conformal prediction e analisi di time-series univariate. Gli studenti impareranno a applicare concetti di teoria dei giochi nel data mining, utilizzando equilibri di Nash e valori di Shapley per l'analisi e l'interpretazione dei modelli. Infine, svilupperanno abilità nel pattern mining, utilizzando entropia, feature selection e tecniche di regressione conforme per garantire robustezza e affidabilità delle predizioni.

Bibliografia

Modalità didattiche

Il corso adotta un approccio basato principalmente su lezioni frontali integrate con sessioni di laboratorio utilizzando Jupyter Notebooks. Ogni modulo combina spiegazioni teoriche con implementazioni pratiche immediate, permettendo agli studenti di sperimentare direttamente con il codice e visualizzare i risultati in tempo reale. Gli studenti lavoreranno con strumenti consolidati nel settore e implementeranno algoritmi sia da zero che utilizzando librerie specializzate. Le risorse didattiche includono materiali supplementari, codice di esempio e accesso a librerie e framework nel campo dell'intelligenza artificiale e del data mining.

Modalità di verifica dell'apprendimento

La verifica dell'apprendimento si basa sullo svolgimento di esercizi assegnati durante il corso e un colloquio orale finale. Gli studenti dovranno completare tutti gli esercizi proposti dal docente, che coprono i diversi argomenti del programma: Association Rules, Mining Structures, Machine Learning, Game Theory for Data Mining e Pattern Mining. Non sono previste proposte alternative - tutti gli esercizi assegnati sono obbligatori e devono essere consegnati. Durante il colloquio orale, gli studenti presenteranno i risultati degli esercizi svolti e risponderanno a domande sui metodi utilizzati, sui risultati ottenuti e sui concetti teorici sottostanti le tecniche di data mining applicate.

Criteri di valutazione

La valutazione si basa sulla qualità dello svolgimento degli esercizi assegnati e sulla capacità di discussione orale dei risultati ottenuti. Per quanto riguarda gli esercizi, vengono valutati la correttezza dell'implementazione delle tecniche di data mining, l'accuratezza nell'analisi dei dati, la completezza delle soluzioni proposte. Durante il colloquio orale si valuta la comprensione teorica degli algoritmi utilizzati, la capacità di interpretare criticamente i risultati, l'abilità di collegare teoria e applicazione pratica e la padronanza del linguaggio tecnico specifico del data mining. Particolare attenzione viene posta sulla capacità di giustificare le scelte metodologiche adottate negli esercizi e di discutere le implicazioni dei risultati ottenuti.

Criteri di composizione del voto finale

Il voto finale è composto al 60% dalla valutazione degli esercizi assegnati e al 40% dalla prova orale. La valutazione degli esercizi considera la correttezza tecnica delle implementazioni, l'efficacia delle soluzioni proposte, la completezza dell'analisi dei risultati e la qualità della presentazione. La valutazione orale si basa sulla chiarezza espositiva, sulla profondità della comprensione teorica e sulla capacità di giustificare le scelte implementative e condurre un'analisi critica del progetto.

Lingua dell'esame

Inglese