Syllabus del corso
Obiettivi formativi
Il laboratorio intende fornire competenze teoriche e, soprattutto, pratiche per comprendere i metodi e gli strumenti dell'intelligenza artificiale applicata all'analisi dei dati, con particolare attenzione alla relazione tra Big Data e AI. Vengono consolidate le basi di programmazione in Python e di interrogazione dei dati con SQL, propedeutiche alle attività di analisi. Una parte rilevante dell'insegnamento è dedicata al text mining e al Natural Language Processing (NLP), dalle rappresentazioni testuali classiche (Bag of Words) fino agli embedding, ai modelli di deep learning e ai Large Language Models (LLM). Il laboratorio introduce inoltre i principi della Explainable AI (XAI), al fine di sviluppare la capacità di interpretare criticamente i modelli e i loro risultati a supporto dei processi decisionali, anche in ambito sanitario ed epidemiologico. Infine, attraverso tecniche di data visualization, si mira a rendere le informazioni e i risultati analitici facilmente fruibili e comprensibili. Il percorso si conclude con la realizzazione di un progetto applicativo di gruppo.
Contenuti sintetici
Introduzione all'AI e ai Big Data. Recap di Python e SQL. Text mining e NLP (Bag of Words, embedding, deep learning, LLM). Explainable AI. Data visualisation.
Programma esteso
Introduzione all'AI e alla Big Data Analytics: obiettivi e razionale dell'intelligenza artificiale; relazione tra Big Data e AI. Recap di Python: elementi fondamentali del linguaggio per l'analisi dei dati. Recap di SQL: teoria delle interrogazioni ed esercitazioni pratiche su basi di dati. Rappresentazione del testo con il modello Bag-of-Words (BoW). Laboratorio di NLP: pre-processing e analisi del testo. Deep Learning ed embedding: reti neurali e rappresentazioni distribuite del testo. Laboratorio di NLP: costruzione di pipeline applicative. Large Language Models (LLM): principi di funzionamento e impieghi. Introduzione alla Explainable AI (XAI): interpretabilità e spiegabilità dei modelli. Laboratorio di XAI. Laboratorio di Data Visualization: tecniche di rappresentazione visiva e di storytelling dei dati.
Prerequisiti
Conoscenze di base di Machine Learning.
Metodi didattici
Lezione frontale (DE) in presenza. Laboratori (DI) con strumenti software. Possibilità di 30% ore online sincrone. 24h erogative (lezione); 18h interattive (laboratori); 6h esercitazioni + laboratorio.
Modalità di verifica dell'apprendimento
La verifica del profitto si basa sulla realizzazione di un progetto di gruppo, sviluppato in parte durante le ore di laboratorio. Il progetto richiede l'applicazione integrata degli strumenti e dei metodi trattati in laboratorio (analisi dei dati, NLP, modelli di machine e deep learning, XAI e data visualization). In sede di valutazione vengono considerati: la correttezza metodologica e tecnica del lavoro svolto, la capacità di interpretare criticamente i risultati e la qualità della comunicazione dei dati. La valutazione comprende la consegna degli elaborati prodotti e una discussione/presentazione del progetto, durante la quale vengono accertati anche il contributo e la conoscenza teorica dei singoli componenti del gruppo sugli argomenti del corso.
Testi di riferimento
Lezioni con l'ausilio di slide, di laboratorio e di casi applicativi. Gli articoli scientifici di riferimento saranno forniti dal docente. Il software utilizzato sarà open-source.
Periodo di erogazione dell'insegnamento
Aprile-Giugno
Lingua di insegnamento
Italiano
Sustainable Development Goals
Learning objectives
The laboratory aims to provide theoretical and, above all, practical skills for understanding the methods and tools of artificial intelligence applied to data analysis, with particular attention to the relationship between Big Data and AI. The fundamentals of programming in Python and of data querying with SQL are consolidated as preparatory groundwork for the analytical activities. A substantial part of the course is devoted to text mining and Natural Language Processing (NLP), from classical text representations (Bag of Words) through to embeddings, deep learning models, and Large Language Models (LLMs). The laboratory also introduces the principles of Explainable AI (XAI), with the aim of developing the ability to critically interpret models and their results in support of decision-making processes, including in the healthcare and epidemiological domains. Finally, through data visualisation techniques, the course seeks to make information and analytical results readily accessible and intelligible. The path concludes with the development of a group application project.
Contents
Introduction to AI and Big Data. Python and SQL recap. Text mining and NLP (Bag of Words, embeddings, deep learning, LLMs). Explainable AI. Data visualisation.
Detailed program
Introduction to AI and Big Data Analytics: objectives and rationale of artificial intelligence; the relationship between Big Data and AI. Python recap: core elements of the language for data analysis. SQL recap: query theory and hands-on exercises on databases. Text representation with the Bag-of-Words (BoW) model. NLP laboratory: text pre-processing and analysis. Deep Learning and embeddings: neural networks and distributed text representations. NLP laboratory: building application pipelines. Large Language Models (LLMs): operating principles and applications. Introduction to Explainable AI (XAI): model interpretability and explainability. XAI laboratory. Data Visualisation laboratory: techniques for the visual representation and storytelling of data.
Prerequisites
Basic knowledge of Machine Learning.
Teaching methods
In-person lectures (DE). Laboratories (DI) using software tools. Up to 30% of hours may be delivered online (synchronous). 24h lectures (delivery); 18h interactive (laboratories); 6h exercises + laboratory.
Assessment methods
Assessment is based on the development of a group project, carried out in part during laboratory hours. The project requires the integrated application of the tools and methods covered in the laboratory (data analysis, NLP, machine and deep learning models, XAI, and data visualisation). The evaluation takes into account: the methodological and technical correctness of the work carried out, the ability to critically interpret the results, and the quality of the data communication. Evaluation includes the submission of the deliverables produced and a discussion/presentation of the project, during which the contribution and theoretical knowledge of each individual group member on the course topics are also assessed.
Textbooks and Reading Materials
Lectures supported by slides, laboratory sessions, and application case studies. Reference scientific articles will be provided by the instructor. The software used will be open-source.
Semester
April–June.
Teaching language
Italian
Sustainable Development Goals
Staff
-
Fabio Mercorio
-
Andrea Seveso
