Il corso ha lo scopo di introdurre lo studente ai recenti progressi e il potenziale applicativo dei sistemi di deep learning. A tale scopo verranno introdotti casi di studio di natura economico-finanziaria e di diritto.

01. Librerie per lo sviluppo di tecniche di machine learning
  01.01 Python e Scikit Learn
  01.02 Tensorflow e pyTorch
02. Deep Learning 
  02.01 Reti neurali ricorrenti
  02.02 Reti Neurali Convolute
  02.03 Applicazioni in ambito finanziario
03. Reti Neurali su Grafi
  03.01 Introduzioni alle reti complesse
  03.02 Graph Neural Networks
  03.03 Applicazioni in ambito Giuridico-Finanziario, e.g. caso di studio su Anti Money Laundering nelle criptovalute

Corso di Machine Learning

Conoscenze e comprensione: Al termine del corso, lo studente comprende le idee fondamentali, i recenti progressi e il potenziale applicativo dei sistemi neurali profondi. Lo studente comprende le topologie neurali di base, i metodi per visualizzare e comprendere il comportamento delle reti neurali, le reti ricorrenti, le reti sui grafi. Lo studente è in grado di applicare tali tecnologie alla risoluzione di problemi di classificazione in domini realistici.

Capacità di applicare conoscenze e comprensione: lo studente sarà in grado di applicare le conoscenze acquisite con l'obiettivo di progettare sistemi di machine learning per la classificazione e la predizione.

Autonomia di giudizio: lo studente sarà in grado di valutare l'efficienza di un sistema di apprendimento.

Abilità comunicative: lo studente sarà in grado di illustrare in modo appropriato le caratteristiche descrittive di sistema a reti neurali, le funzionalità del relativo sistema..Capacità di apprendimento: lo studente apprenderà la capacità di progettare e implementare sistemi di machine learning.

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

Modalità didattiche

Lezioni frontali ed esercitazioni di laboratorio.

Obblighi

Sebbene fortemente consigliata, la frequenza non è obbligatoria.

Modalità di
accertamento

Progetto.

Il progetto va concordato con il docente. Può essere svolto a gruppi (max 3 persone).

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

Materiale derivante dalle lezioni frontali ed esercitazioni di laboratorio.

Obblighi

Nessuno

Modalità di
accertamento

Progetto.

Il progetto va concordato con il docente. Può essere svolto a gruppi (max 3 persone).

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.