Syllabus del corso
Obiettivi formativi
Il corso introduce i fondamenti teorici e pratici dell'intelligenza artificiale applicata all'analisi di grandi volumi di dati. Partendo da una panoramica sul rapporto tra AI e Big Data, il corso guida gli studenti attraverso le principali tecniche di elaborazione del linguaggio naturale (NLP), apprendimento profondo (Deep Learning) e modelli linguistici di grandi dimensioni (LLM).
L'approccio è fortemente laboratoriale: ogni blocco tematico è affiancato da sessioni pratiche in Python, con l'obiettivo di sviluppare competenze operative direttamente spendibili in contesti reali.
Gli obiettivi del corso sono in linea con i Descrittori di Dublino, coprendo i seguenti aspetti:
• Conoscenza e comprensione
• Capacità di applicare conoscenza e comprensione
• Autonomia di giudizio
• Abilità comunicative
• Capacità di apprendimento
Contenuti sintetici
• Introduzione all'AI e al Big Data Analytics
• Python: riepilogo e strumenti per l'AI
• Text Mining e Natural Language Processing
• Deep Learning
• Word Embeddings
• Transformers
• Large Language Models (LLM) e prompting
Programma esteso
- Introduzione all'AI e al Big Data Analytics
• Obiettivi e razionale dell'intelligenza artificiale
• La relazione tra Big Data e AI: dati come carburante dei modelli
• Panoramica del percorso del corso - Python: riepilogo e strumenti per l'AI
• Strutture dati, librerie principali (NumPy, Pandas, Scikit-learn)
• Ambienti di lavoro per il machine learning e il deep learning - Text Mining e NLP
• Bag of Words (BoW) e rappresentazioni vettoriali del testo
• Lab NLP: preprocessing, tokenizzazione, analisi del testo - Deep Learning
• Architetture di reti neurali: feedforward, RNN, CNN
• Lab Deep Learning: addestramento e valutazione di modelli - Word Embeddings
• Word2Vec, GloVe e rappresentazioni distribuite del linguaggio
• Lab NLP Embedding: utilizzo e visualizzazione di embeddings - Transformers
• Architettura Transformer e meccanismo di self-attention
• Modelli pre-addestrati (BERT, GPT e varianti)
• Lab NLP Transformers: fine-tuning e applicazioni pratiche - Large Language Models (LLM) e prompting
• Principi di funzionamento degli LLM
• Tecniche di prompting: zero-shot, few-shot, chain-of-thought
• Interazione con LLM tramite API (es. OpenAI, Anthropic)
• Lab NLP LLM: sviluppo di applicazioni basate su LLM
• Sessioni integrative di laboratorio su casi d'uso reali
Prerequisiti
Conoscenze di base di programmazione Python. È consigliata una familiarità con i concetti fondamentali di statistica e machine learning.
Metodi didattici
Il corso prevede 42 ore di attività suddivise tra lezioni frontali e sessioni di laboratorio in presenza.
Le lezioni teoriche introducono i concetti e le architetture principali; i laboratori in Python consentono di applicare immediatamente quanto appreso su dataset reali. Il corso include inoltre discussioni su casi d'uso concreti dell'AI in ambito aziendale e di ricerca.
Modalità di verifica dell'apprendimento
Le modalità di verifica verranno comunicate dal docente all'inizio del corso.
Testi di riferimento
• Slide delle lezioni e materiale di laboratorio fornito dal docente.
• Articoli scientifici e risorse online indicate durante il corso.
• Il software utilizzato è open-source o liberamente disponibile (Python, Jupyter, librerie HuggingFace, ecc.).
Periodo di erogazione dell'insegnamento
Secondo semestre.
Lingua di insegnamento
Italiano
