Il corso si propone di fornire conoscenze su linguaggi e tecniche di programmazione, algoritmi e strutture dati utili per il calcolo scientifico e conoscenze di tecniche per l’Apprendimento Automatico (Machine Learning) e l’Apprendimento Profondo (Deep Learning).
Prerequisiti
Buona conoscenza degli argomenti dei corsi di base di analisi matematica e geometria.
Metodi didattici
L’insegnamento si compone di 64 ore di didattica frontale, suddivise in lezioni da 2 ore. Le lezioni frontali saranno supportate da diapositive e tratteranno gli aspetti teorici della disciplina.Inoltre, all’interno del corso sono previste delle esercitazioni pratiche.La frequenza alle lezioni è facoltativa ma altamente consigliata.Le slide e altro materiale didattico, saranno disponibili sulla piattaforma e-learning del corso.
Verifica Apprendimento
La verifica dell'apprendimento consiste in due prove: lo sviluppo di un progetto individuale ed una prova orale.Nello sviluppo del progetto, lo studente applica i concetti acquisiti durante il corso. Il progetto dovrà essere accompagnato da una relazione che documenta le attività svolte ed i risultati ottenuti. I progetti sono concordati con il docente.La prova orale mira a valutare la comprensione degli aspetti tecnici e teorici dei concetti presentati durante il corso.Il voto finale è espresso in trentesimi. Affinché la valutazione finale sia positiva, lo studente deve conseguire almeno 18 punti.
Testi
Materiale didattico, testo di riferimento e slides saranno indicati/messi a disposizione dal Docente.
Contenuti
Il corso si propone di fornire conoscenze su linguaggi e tecniche di programmazione, algoritmi e strutture dati utili per il calcolo scientifico e conoscenze di tecniche per l’Apprendimento Automatico (Machine Learning) e l’Apprendimento Profondo (Deep Learning).Il corso sarà strutturato in due moduli.Nel primo modulo, saranno fornite informazioni sulla struttura del calcolatore e la gestione della memoria. Saranno poi introdotte le basi del linguaggio di programmazione Python e saranno trattate le strutture dati fondamentali. Sarà illustrato l’utilizzo di funzioni, cicli e istruzioni condizionali. Saranno inoltre presentati i concetti di programmazione ad oggetti e programmazione ricorsiva. Saranno fornite informazioni per la gestione del codice, il mining sui dati e la visualizzazione dei risultati.Nel secondo modulo, saranno presentati i concetti fondamentali relativi all’ Apprendimento Automatico ed all’Apprendimento Profondo. Saranno poi presentate le principali tecniche per l’Apprendimento Automatico supervisionato e non supervisionato e le librerie necessarie per lo sviluppo di modelli di regressione e classificazione.Saranno infine presentate le principali architetture delle Reti Neurali Profonde (Deep Neural Network) e le librerie per il loro sviluppo.
