L'obiettivo dell'insegnamento è fornire gli elementi necessari alla comprensione dei fondamenti del problema di apprendimento, con riferimento ai principali algoritmi per la regressione e la classificazione. In particolare, questo insegnamento mira a: 
1. Far conoscere le nozioni di base, i fondamenti e le metodologie dell'apprendimento automatico, sia supervisionato che non supervisionato. 
2. Permettere l'acquisizione di adeguati strumenti teorici e applicativi nell'ambito della disciplina del machine learning. 
3. Far acquisire la capacità di applicare strumenti e metodologie a diversi scenari e problemi. 
4. Far acquisire le competenze che permettono di utilizzare e adattare sistemi software stato dell'arte per la soluzione di problemi di apprendimento automatico.

01 Introduzione
   01.01 Machine learning: motivazioni, problemi e definizioni introduttive
   01.02 Tipologie di apprendimento

02 Ottimizzazione matematica
   02.01 Tecniche di ordine zero 
   02.02 Tecniche del primo ordine
   02.03 Tecniche del secondo ordine

03 Regressione lineare
   03.01 Funzione di costo minimi quadrati
   03.02 Funzione di costo deviazione assoluta
   03.03 Metriche di qualità per la regressione
   03.04 Regressione pesata 

04 Classificazione lineare binaria
   04.01 Regressione logistica
   04.02 Perceptron
   04.03 Support Vector Machines
   04.04 Metriche di qualità per la classificazione binaria

05 Classificazione lineare multi-classe
   05.01 Classificazione One-versus-All e multi-classe
   05.02 Metriche di qualità per la classificazione multi-classe
   05.03 Apprendimento stocastico e mini-batch

06 Apprendimento non supervisionato
   06.01 Autoencoder lineari
   06.02 Riduzione della dimensionalità e analisi delle componenti principali
   06.03 Analisi di cluster e algoritmo K-means 

07 Feature engineering, feature selection, apprendimento non lineare
   07.01 Feature engineering: istogrammi delle feature, normalizzazione standard
   07.02 Feature selection tramite regolarizzazione
   07.03 Regressione nonlineare
   07.04 Classificazione nonlineare

08 Feature learning
   08.01 Approssimatori universali
   08.02 Generalizzazione e overfitting
   08.03 Cross validation, regolarizzazione

09 Elementi di reti neurali
   09.01 Reti totalmente connesse
   09.02 Funzioni di attivazione
   09.03 Algoritmo di backpropagation

10 Attività di laboratorio
   10.01 Introduzione a Python, Numpy, Scikit-learn
   10.02 Esercitazione su regressione lineare
   10.03 Esercitazione su algoritmi di classificazione lineare: regressione logistica, SVM
   10.04 Esercitazione su apprendimento non supervisionato: PCA, K-means
   10.05 Esercitazione su reti neurali

Non vi sono propedeuticità obbligatorie.

Conoscenza e capacità di comprensione:
lo studente avrà acquisito le conoscenze fondamentali per la comprensione dei problemi di apprendimento automatico, la progettazione e l'analisi dei principali algoritmi di apprendimento supervisionato e non supervisionato.

Conoscenza e capacità di comprensione applicate:
lo studente sarà in grado di comprendere le principali caratteristiche dei più comuni problemi di apprendimento automatico e delle relative tecniche per la loro risoluzione, nonché applicare queste conoscenze per la progettazione di algoritmi di machine learning e dei relativi sistemi software.

Autonomia di giudizio:
lo studente sarà in grado di determinare l'adeguatezza e l'efficacia di metodologie e algoritmi di machine learning, con specifico riferimento a problemi di regressione e di classificazione.

Abilità comunicative:
lo studente imparerà ad illustrare in maniera appropriata le principali tecniche di apprendimento automatico e descrivere i fattori che ne determinano l'efficacia, con riferimento ad applicazioni in ambiti specifici; in particolare, dovrà argomentate in modo critico mediante l'uso di uno specifico linguaggio matematico descrittivo introdotto nell'ambito dell'insegnamento.

Capacità di apprendere:
ad avvenuto completamento dell'insegnamento, lo studente avrà acquisito un buon livello di autonomia nella comprensione critica di materiali di studio relativi alle principali tematiche di machine learning, che gli permetterà anche di affrontare nuovi scenari di tipo progettuale, ai quali applicare le conoscenze acquisite.

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Domande a scelta multipla ed esercizi svolti per l'autovalutazione della preparazione dello studente disponibili all'interno della piattaforma Moodle per il blended learning.

Modalità didattiche

Lezioni teoriche ed esercitazioni guidate in laboratorio.

L'insegnamento viene erogato in modalità mista, ovvero le lezioni si svolgono simultaneamente in presenza in aula e a distanza all'interno della piattaforma Moodle.

Obblighi

Sebbene fortemente consigliata, la frequenza non è obbligatoria.

Testi di studio

Jeremy Watt, Reza Borhani, Aggelos Katsaggelos: "Machine Learning Refined. Foundations, Algorithms, and Applications", Cambridge University Press, (2020).

Andreas Lindholm, Niklas Wahlström, Fredrik Lindsten, Thomas B. Schön: "Machine Learning - A First Course for Engineers and Scientists", Cambridge University Press, (2022).

Modalità di
accertamento

I risultati di apprendimento attesi verranno valutati attraverso un progetto e una prova orale. 

Il progetto, da concordare preventivamente con il docente, deve essere sviluppato da gruppi composti da uno o preferibilmente due studenti e deve essere consegnato almeno 10 giorni prima dell'appello di esame. Il progetto è superato se il voto è di almeno 18/30; il voto rimane valido, anche se la prova orale viene sostenuta ma non superata, per tutto l'anno accademico. Lo scopo del progetto è la valutazione della capacità di apprendimento e di applicazione di conoscenze e comprensione, della autonomia di giudizio e delle abilità comunicative.

La prova orale, che può essere sostenuta solo previo superamento del progetto (con voto di almeno 18/30), consiste in una discussione del progetto e in due domande sugli argomenti del programma del corso. Il voto finale è determinato dalla media pesata delle valutazioni ottenute per il progetto e per la prova orale (30% progetto, 70% esame orale). La prova orale viene valutata in base ai seguenti criteri: conoscenze acquisite, comprensione dei principi fondamentali della materia, capacità di presentare in modo rigoroso l'argomento trattato.

Disabilità e DSA

Le studentesse e gli studenti che hanno registrato la certificazione di disabilità o la certificazione di DSA presso l'Ufficio Inclusione e diritto allo studio, possono chiedere di utilizzare le mappe concettuali (per parole chiave) durante la prova di esame.

A tal fine, è necessario inviare le mappe, due settimane prima dell’appello di esame, alla o al docente del corso, che ne verificherà la coerenza con le indicazioni delle linee guida di ateneo e potrà chiederne la modifica.

Modalità didattiche

Come per frequentanti.

Obblighi

Come per frequentanti.

Testi di studio

Come per frequentanti.

Modalità di
accertamento

Come per frequentanti.

Disabilità e DSA

Le studentesse e gli studenti che hanno registrato la certificazione di disabilità o la certificazione di DSA presso l'Ufficio Inclusione e diritto allo studio, possono chiedere di utilizzare le mappe concettuali (per parole chiave) durante la prova di esame.

A tal fine, è necessario inviare le mappe, due settimane prima dell’appello di esame, alla o al docente del corso, che ne verificherà la coerenza con le indicazioni delle linee guida di ateneo e potrà chiederne la modifica.