Accedi e iscriviti
Apprendimento Automatico
Apprendimento Automatico
Come le macchine imparano dai dati
Descrizione del corso
Il corso introduce i fondamenti dell'Apprendimento Automatico (Machine Learning), una branca dell'intelligenza artificiale che si occupa dello sviluppo di modelli capaci di apprendere autonomamente dai dati. Vengono presentati i principali paradigmi (supervisionato, non supervisionato, semi-supervisionato), i modelli di regressione e classificazione e le relative tecniche di valutazione delle prestazioni. I concetti teorici sono accompagnati da implementazioni pratiche in linguaggio Python.
Carico di lavoro totale del corso: 19 ore
Questo MOOC è stato prodotto nell’ambito del progetto Edvance - Digital Education Hub per la Cultura Digitale Avanzata. Il progetto è finanziato dall’Unione europea - Next Generation EU, Componente 1, Investimento 3.4 “Didattica e competenze universitarie avanzate".
Risultati di Apprendimento Attesi
Al termine del corso lo studente sarà in grado di:
- Distinguere i principali paradigmi di apprendimento automatico (supervisionato, non supervisionato, semi-supervisionato)
- Comprendere il trade-off distorsione-varianza e i fenomeni di overfitting e underfitting
- Applicare la regressione lineare semplice e multipla per la previsione di variabili quantitative
- Applicare la regressione logistica per problemi di classificazione binaria
- Valutare le prestazioni di un modello mediante metriche appropriate (MSE, accuratezza, Precision, Recall, F1-score)
- Implementare gli algoritmi studiati in Python, incluso il classificatore K-Nearest Neighbors (KNN)
Prerequisiti
- Conoscenze di base di matematica (algebra lineare elementare, concetti di statistica descrittiva).
- Familiarità con i concetti di variabile, funzione e grafico.
- Conoscenza di base della programmazione (preferibile, non strettamente richiesta); il linguaggio utilizzato nelle esercitazioni è Python.
Attività
- Lezioni video per ogni modulo tematico;
- Quiz intermedi di autovalutazione al termine di ciascuna lezione;
- Quiz settimanali finali (uno per settimana);
- Esercitazioni pratiche in Python su notebook Jupyter (regressione lineare, regressione logistica, KNN);
- Quiz finale complessivo sull'intero corso.
Schema della sezione
-
-
-
-
Trascrizioni video Cartella
-
Valutazione
Il corso prevede l’erogazione di un Open Badge, ottenibile sulla base del punteggio raggiunto rispondendo ai quiz valutati. Hai tentativi illimitati di risposta per ciascun quiz ma dovrai attendere 15 minuti. Il corso si considera completato in modo adeguato all'ottenimento del certificato se raggiungerai almeno il 60% del punteggio complessivo in ciascuno dei quiz valutati. Il punteggio massimo ottenibile in ciascun quiz è indicato all’inizio del quiz stesso. Puoi vedere il punteggio che hai ottenuto nel quiz in corrispondenza dell’ultimo tentativo fatto oppure nella pagina “Valutazione”.
Attestato
Il corso prevede l’erogazione di un Open Badge rispondendo correttamente ad almeno il 60% delle domande in ciascuno dei quiz valutati e rispondendo al questionario finale.
Una volta completate le attività richieste potrai accedere a “Ottieni l’Open Badge”, avviando il rilascio del badge. Le indicazioni per accedere al badge saranno inviate al tuo indirizzo e-mail.
L’Open Badge non è un certificato ufficiale e non dà diritto a crediti universitari, a voti o a diplomi.
Accesso al corso e disponibilità dei materiali
Il corso è erogato in modalità online e gratuito.
Docenti del corso
Fabrizio De Vita
Docente
Fabrizio De Vita è Ricercatore presso l’Università di Messina. I suoi interessi di ricerca comprendono lo studio di algoritmi di machine learning e deep learning per la realizzazione di sistemi intelligenti (ad es. sistemi cyber-fisici intelligenti, ICPS) con applicazioni in contesti di smart environment, nonché l’Internet of Things applicato a contesti di smart city, dove ha studiato il problema del miglioramento della Quality of Service (QoS) delle applicazioni, e la diagnosi di impianti industriali tramite tecniche di previsione dei guasti, rilevamento delle anomalie e manutenzione predittiva. Dal 2020 la sua attività di ricerca si è concentrata sulla realizzazione di soluzioni di on-device training su schede a microcontrollore con capacità hardware limitate, e dal 2024 lavora all’implementazione di soluzioni intelligenti bio-ispirate basate su Spiking Neural Networks.
Contatti
Per qualsiasi informazioni sul corso o per problemi tecnici scrivi a pok@polimi.it o consulta la pagina delle FAQ.