Università degli Studi di Napoli "Parthenope"

Scheda dell'insegnamento

Anno accademico: 
2019/2020
Tipologia di insegnamento: 
Caratterizzante
Tipo di attività: 
Obbligatorio
Corso di afferenza: 
Corso di Corso di Laurea Magistrale in INFORMATICA APPLICATA (MACHINE LEARNING E BIG DATA)
Settore disciplinare: 
INFORMATICA (INF/01)
Lingua: 
Italiano
Crediti: 
12
Anno di corso: 
1
Docenti: 
Ciclo: 
Primo Semestre
Ore di attivita' frontale: 
96

Obiettivi

Lo scopo del corso è fornire i fondamenti teorici e pratici delle varie tecniche di Apprendimento Automatico (o Machine Learning) e Deep Learning.

Conoscenza e capacità di comprensione
Lo studente dovrà avere sufficiente familiarità con le tecniche di algebra lineare, analisi matematica, probabilità e statistica, impartite nel corso di laurea triennale, in modo da poter comprendere i fondamenti teorici delle tecniche di machine learning presentate nel corso. Infine, lo studente dovrà avere una buona dimestichezza con la lingua inglese scritta in modo tale da poter avvalersi delle risorse bibliografiche, sotto forma di testi e di articoli scientifici, per la quasi totalità in lingua inglese.

Capacità applicative
Lo studente deve dimostrare capacità di sviluppo e di analisi di complessità di algoritmi. Lo studente dovrà dimostrare un uso consapevole di librerie software, attualmente disponibili, per l’implementazione dei principali metodi di machine learning e deep learning presentati nel corso.

Autonomia di giudizio
Lo studente deve essere in grado di sapere valutare in maniera autonoma l’efficacia e l’efficienza di machine learning e deep learning ad un caso reale. Dovrà aver, inoltre, maturato una sufficiente indipendenza e senso critico in modo da poter utilizzare le risorse bibliografiche. Tale capacità è cruciale per la maturazione di attitudini di self-learning, durante il corso degli studi.

Abilità nella comunicazione
Lo studente deve essere in grado di redigere una relazione e di organizzare una presentazione, entrambe preferibilmente in lingua inglese, su un metodo od una tecnica di machine learning multimodale.

Capacità di apprendere
Lo studente dovrà aver maturato, alla fine del corso, la capacità di Self-Learning, ossia di essere in grado, ai fini dell’ auto-apprendimento, di utilizzare, in modo indipendente, le risorse bibliografiche che motori di ricerca e repository open source, quali Scholar Google e Researchgate, mettono a disposizione.

Prerequisiti

Nozioni di base di Programmazione ad Oggetti, Algebra Lineare, Analisi Matematica, Probabilità e Statistica e di Calcolo Scientifico.

Contenuti

Il corso ha lo scopo di fornire i fondamenti teorici e pratici dell' Apprendimento Automatico (o Machine Learning) e Deep Learning.

Metodi didattici

La didattica è svolta mediante lezioni frontali e di laboratorio, e da parte degli stessi studenti su alcune tematiche di loro particolare interesse. Sulla piattaforma di riferimento del corso c'è la possibilità di usufruire di video-lezioni.

Verifica dell'apprendimento

Lo studente deve avere dimostrato la capacità di comprensione delle differenti tecniche di machine learning e deep learning. Per il superamento dell’esame lo studente dovrà sviluppare una presentazione, corredata da una tesina, ed effettuare un colloquio orale. La presentazione, concordata con i docenti, riguarderà uno specifico argomento di machine learning eventualmente applicato ad un dominio applicativo. La tesina verrà redatta preferibilmente in lingua inglese. Nell' esame orale lo studente presenterà e discuterà la tesina effettuata (50% della valutazione) e dovrà mostrare di aver appreso i metodi di machine learning e deep learning trattati durante il corso (50% della valutazione).

Testi

T. Hastie, R. Tibshirani, J. Friedman, “The Elements of Statistical Learning: Data Mining, Inference, and Prediction”, 2nd Edition, 2008, Springer, ISBN: 978-0387848570
M. Gori, “Machine Learning: A Constraint-Based Approach”, 2017, Morgan Kauffman, ISBN: 978-0081006597
F. Camastra, A. Vinciarelli, “Machine Learning for Audio, Image and Video Analysis: Theory and Applications”, 2nd Edition, 2016, Springer Verlag, ISBN: 978-1447168409
J. Shawe-Taylor, N. Cristianini, “Kernel Methods for Pattern Analysis”, 2004, Cambridge University Press, ISBN: 978-0521813976
R.O. Duda, P.E. Hart, D.G. Stork, "Pattern Classification", 2nd edition, Wiley and Sons, 2000.
J. C. Bishop, "Pattern Recognition and Machine Learning", Springer, 2006
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016
A. Geron, Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, O'Reilly, 2019

Altre informazioni