Il corso si propone di fornire le conoscenze di base del Machine Learning, con particolare attenzione alla comprensione dei principi teorici fondamentali che ne guidano il funzionamento.
Accanto agli aspetti teorici, verrà dato ampio spazio alla dimensione pratica: gli studenti acquisiranno competenze operative di programmazione in Python e saranno in grado di sviluppare, implementare e gestire modelli di Machine Learning tramite l’utilizzo della libreria Keras.
L’obiettivo finale è permettere agli studenti di comprendere cosa c’è dietro i modelli di Machine Learning e di essere in grado di applicarli in contesti concreti, almeno per i casi di base.

Descrizione secondo i 5 Descrittori di Dublino

1. Conoscenza e capacità di comprensione

Al termine del corso, lo studente comprenderà i principali concetti del Machine Learning, come backpropagation, training, overfitting, bias, variance e underfitting, e sarà in grado di utilizzarli correttamente in un contesto tecnico. Saprà interpretare questi termini sia dal punto di vista pratico sia attraverso una solida base matematica: ad esempio, riconoscerà la backpropagation come un'applicazione efficiente della regola della catena e il training come un processo basato su algoritmi di ottimizzazione specifici.

2. Conoscenza e capacità di comprensione applicate

Durante il corso verranno fornite le basi teoriche del Machine Learning, ma verrà dato ampio spazio anche all’aspetto pratico. In particolare, lo studente acquisirà una buona familiarità con la creazione, l’addestramento e la gestione di modelli di Machine Learning utilizzando Keras, una libreria Python largamente impiegata nello sviluppo di applicazioni di intelligenza artificiale e deep learning.

3. Autonomia di giudizio

Lo studente svilupperà capacità critiche nel valutare la validità e i limiti delle tecniche di Machine Learning. Di fronte a un problema specifico, sarà in grado di individuare il modello più appropriato e avrà le competenze necessarie per valutarne le prestazioni, identificarne eventuali punti deboli e proporre possibili miglioramenti.

4. Abilità comunicative

Lo studente acquisirà dimestichezza con la terminologia specifica del Machine Learning e comprenderà il legame tra questi termini e i concetti matematici sottostanti.
Questa consapevolezza gli permetterà di comunicare in modo efficace con interlocutori esperti, contribuendo attivamente al dialogo grazie alla capacità di collegare la formalizzazione matematica con le applicazioni pratiche.

5. Capacità di apprendere

Lo studente, avendo acquisito le conoscenze di base relative ai modelli di Machine Learning, sarà in grado di affrontare autonomamente lo studio di modelli più complessi, come le reti neurali convoluzionali o le reti ricorrenti. Inoltre, grazie alla familiarità maturata con la libreria Keras, potrà facilmente estendere le proprie competenze all’utilizzo di altre librerie ampiamente impiegate in ambito professionale, come PyTorch o TensorFlow, sviluppando una crescente autonomia nell’apprendimento di nuovi strumenti e tecnologie.