Offerta Didattica

 

FISICA

MACHINE LEARNING

Classe di corso: L-30 - Scienze e tecnologie fisiche
AA: 2022/2023
Sedi: MESSINA
SSDTAFtipologiafrequenzamoduli
INF/01Affine/IntegrativaLiberaLiberaNo
CFUCFU LEZCFU LABCFU ESEOREORE LEZORE LABORE ESE
64024824024
Legenda
CFU: n. crediti dell’insegnamento
CFU LEZ: n. cfu di lezione in aula
CFU LAB: n. cfu di laboratorio
CFU ESE: n. cfu di esercitazione
FREQUENZA:Libera/Obbligatoria
MODULI:SI - L'insegnamento prevede la suddivisione in moduli, NO - non sono previsti moduli
ORE: n. ore programmate
ORE LEZ: n. ore programmate di lezione in aula
ORE LAB: n. ore programmate di laboratorio
ORE ESE: n. ore programmate di esercitazione
SSD:sigla del settore scientifico disciplinare dell’insegnamento
TAF:sigla della tipologia di attività formativa
TIPOLOGIA:LEZ - lezioni frontali, ESE - esercitazioni, LAB - laboratorio

Obiettivi Formativi

Il corso fornisce una introduzione generale ai principali temi del Machine Learning, focalizzandosi in particolare sul Deep Learning. Vengono approfonditi gli approcci e gli strumenti principali e vengono illustrati diversi esempi di applicazione pratica e casi d’uso. OF1: Acquisizione delle conoscenze di base riguardanti il Machine Learning OF2: Acquisizione del concetto centrale di Deep Neural Network ed inquadramento dal punto di vista matematico e statistico OF3: Sviluppo di un insieme di strumenti matematici e metodologici per l’addestramento e l’impiego delle Deep Neural Network OF4: Sviluppo di un bagaglio di competenze pratiche sull’applicazione delle Deep Neural Network.

Learning Goals

The course provides a general introduction to the main topics of Machine Learning with specific focus on Deep Learning. The most important approaches and tools are investigated. Several practical applications and use cases are proposed. OF1: Acquisition of basic knowledge on Machine Learning OF2: Acquisition of the central concepts of Deep Neural Networks and their mathematical and statistical framework OF3: Development of a basic mathematical and methodological tool box for training and deploying Deep Neural Networks OF4: Development of an adequate set of practical skills on Deep Learning applications.

Metodi didattici

Il corso, al fine di raggiungere gli obiettivi formativi previsti, si svolge prevalentemente attraverso lezioni frontali. Sono inoltre previste esercitazioni in aula ed esercitazioni guidate svolte dagli studenti con lo scopo di stimolare l’approccio ai problemi con autonomia e senso critico. Tutte le attività sono svolte con supporto di lavagna digitale (tablet) e computer per la parte di programmazione

Teaching Methods

The course, in order to achieve the expected objectives, mainly takes place through lectures. There are also practical based lessons in the classroom and guided exercises with teacher support with the aim of stimulating the approach to problem solving with autonomy and a critical thinking. All activities are carried out with the support of a digital board (tablet) and a computer for the programming activities.

Prerequisiti

Programmazione; Calcolo; Basi di statistica; Algoritmi e strutture dati

Prerequisites

Programming; Calculus; Fundamentals of statistics; Algorithms and Data Structure

Verifiche dell'apprendimento

L'esame consiste nella presentazione di un progetto. Il progetto da elaborare viene concordato con il docente durante la seconda parte del corso e consiste nella scelta di un problema e di un relativo dataset e nella successiva applicazione di alcune delle tecniche apprese durante il corso per la risoluzione del problema. Durante la presentazione del progetto saranno chiesti eventuali approfondimenti sugli argomenti trattati durante il corso (definizioni, esempi rilevanti, applicazioni, collegamenti tra i vari argomenti.) con il duplice scopo di verificare il livello di conoscenza e di comprensione dei contenuti del corso e di valutare l'autonomia di giudizio, la capacità di apprendimento, l'abilità comunicativa e la proprietà di linguaggio scientifico e indi valutare le facoltà logico-deduttive acquisite dallo studente. La valutazione è fatta in trentesimi.

Assessment

The exam consists in the presentation of a project. The project to be developed is agreed with the teacher during the second part of the course and consists in the choice of a problem and a related dataset and in the subsequent application of some of the techniques learned during the course for the resolution of the problem. During the presentation of the project, any further information on the topics covered during the course will be asked (definitions, relevant examples, applications, links between the various topics ...) with the dual purpose of verifying the level of knowledge and understanding of the course contents and of evaluating the autonomy of judgment, the ability to learn, the communicative ability and the property of scientific language and then evaluate the logical-deductive faculties acquired by the student. The evaluation is made out of thirty.

Programma del Corso

Introduzione all'Intelligenza Artificiale; Apprendimento automatico; Apprendimento automatico supervisionato/non-supervisionato; Reti Neurali Artificiali; Deep Learning; Applicazioni.

Course Syllabus

Introduction to AI; Machine Learning (ML); Supevised/unsupervised ML; Artificial Neural Networks; Deep Learning; Applications

Testi di riferimento: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition by Aurélien Géron Released September 2019 Publisher(s): O'Reilly Media, Inc. ISBN: 9781492032649

Elenco delle unità didattiche costituenti l'insegnamento

Docente: GIANCARLO IANNIZZOTTO

Orario di Ricevimento - GIANCARLO IANNIZZOTTO

Dato non disponibile
  • Segui Unime su:
  • istagram32x32.jpg
  • facebook
  • youtube
  • twitter
  • UnimeMobile
  • tutti