Skip to Main Content (Press Enter)

Logo UNIBG
  • ×
  • Home
  • Corsi
  • Insegnamenti
  • Persone
  • Pubblicazioni
  • Strutture
  • Terza Missione
  • Attività
  • Competenze

UNI-FIND
Logo UNIBG

|

UNI-FIND

unibg.it
  • ×
  • Home
  • Corsi
  • Insegnamenti
  • Persone
  • Pubblicazioni
  • Strutture
  • Terza Missione
  • Attività
  • Competenze
  1. Insegnamenti

INTRODUCTION TO MACHINE LEARNING - 21068-ENG

insegnamento
ID:
21068-ENG
Dettaglio:
SSD: SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI Durata: 48 CFU: 6
Sede:
DALMINE
Url:
Dettaglio Insegnamento:
INGEGNERIA INFORMATICA - 21-270/PERCORSO COMUNE Anno: 3
Dettaglio Insegnamento:
INGEGNERIA INFORMATICA - 38-270/PERCORSO COMUNE Anno: 1
INGEGNERIA INFORMATICA - 38-270/PERCORSO COMUNE Anno: 2
Anno:
2025
Course Catalogue:
https://unibg.coursecatalogue.cineca.it/af/2025?co...
  • Dati Generali
  • Syllabus
  • Corsi
  • Persone

Dati Generali

Periodo di attività

Secondo Semestre (23/02/2026 - 06/06/2026)

Syllabus

Obiettivi Formativi

Al termine di questo corso, gli studenti comprenderanno i concetti chiave e gli algoritmi del machine learning (ML). Acquisiranno esperienza pratica nell’implementazione di modelli di ML utilizzando Python e librerie rilevanti, come Scikit-Learn e PyTorch. Inoltre, impareranno a valutare e ottimizzare i modelli di machine learning per diversi compiti.


Prerequisiti

Si consiglia una conoscenza di base degli algoritmi di informatica, dell’algebra lineare e della programmazione (Python).


Metodi didattici

Le lezioni saranno supportate da slide, che verranno fornite agli studenti in anticipo e rese disponibili sul gruppo MS Teams. Le esercitazioni di laboratorio saranno svolte utilizzando Python.


Verifica Apprendimento

Gli studenti saranno valutati tramite un esame scritto, che comprenderà domande teoriche. Il voto finale sarà espresso su una scala da 30 punti.


Contenuti

  • Introduzione al Machine Learning: panoramica dei paradigmi di machine learning, principali applicazioni e differenze tra apprendimento supervisionato, non supervisionato e per rinforzo.
  • Apprendimento Supervisionato: comprensione dei dati etichettati, regressione vs classificazione, e algoritmi chiave come regressione lineare e regressione logistica.
  • Nearest Neighbors: introduzione all’algoritmo k-Nearest Neighbors (k-NN), metriche di distanza e confini decisionali.
  • Alberi decisionali e Random Forest: spiegazione dell’apprendimento degli alberi decisionali, entropia, guadagno informativo e metodi ensemble come bagging e random forest.
  • Metodi a kernel: introduzione al kernel trick, Support Vector Machines (SVM) e loro applicazione in spazi ad alta dimensionalità.
  • Reti neurali profonde: panoramica del deep learning, comprese reti feedforward, reti neurali convoluzionali (CNN) per l’elaborazione di immagini e reti neurali ricorrenti (RNN) per dati sequenziali.
  • Apprendimento non supervisionato: esplorazione di metodi di clustering (K-means, clustering gerarchico) e tecniche di riduzione della dimensionalità (PCA, t-SNE).
  • Modelli generativi: introduzione a generative adversarial networks (GANs), variational autoencoders (VAEs), modelli autoregressivi e modelli di diffusione per la generazione di dati sintetici.
  • Apprendimento per rinforzo: fondamenti dell’apprendimento per rinforzo, processi decisionali di Markov (MDP), Q-learning e metodi basati su policy gradient.

Risorse Online

  • Materiali didattici online (e-learning)
  • Leganto - Testi d'esame

Corsi

Corsi (2)

INGEGNERIA INFORMATICA - 21-270 
Laurea
Corso ad esaurimento
3 anni
INGEGNERIA INFORMATICA - 38-270 
Laurea Magistrale
2 anni
No Results Found

Persone

Persone

ROY Subhankar
Gruppo 09/IINF-05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
AREA MIN. 09 - Ingegneria industriale e dell'informazione
Settore IINF-05/A - Sistemi di elaborazione delle informazioni
Ricercatori Legge 240/10 - t.det.
No Results Found
  • Utilizzo dei cookie

Realizzato con VIVO | Designed by Cineca | 25.12.1.0