Il presente corso si prefigge di fornire gli elementi necessari per comprendere ed applicare alcune delle più comuni tecniche e procedure del machine learning e dell’intelligenza artificiale.
Oltre ai modelli utili per effettuare delle previsioni, si affronteranno metodi per risolvere problemi di raccomandazione, analisi delle immagini e analisi del testo. Verranno introdotti sia i concetti teorici sia gli aspetti applicativi, coadiuvati da esempi pratici, dello
sviluppo di modelli atti a descrivere i dati a disposizione.

Il corso ha una durata complessiva di 4 giorni. Ogni giorno di lezione è composto da 8 ore suddivise tra la mattina e il pomeriggio. L’intera attività didattica si terrà in italiano mediante lezioni frontali con l’ausilio di slides e testi. È previsto, al termine di ogni giornata didattica una sorta di laboratorio “hand on” in cui provare i concetti imparati. Il laboratorio presenterà esempi reali presentando codice in uno tra i seguenti linguaggi di programmazione: Matlab, Python o R.
Tipo Corso
Luogo Polo Tecnologico di Trento
Regione Trentino Alto Adige
Comune Trento
Provincia Trento
Indirizzo Via Solteri, 38
Organizzatore Ordine degli Ingegneri di Trento
Responsabile Scientifico ing. Silvia Di Rosa
Durata 32 ore
Frequenza minima 29 ore
Costo € 793,00
CFP 32
Iscrizioni Chiuse
Posti 16
lunedì, 04 marzo 2019
Inizio09:00
Fine18:00
Programma
Programma - Learning from data - regressione

Mattino:
Introduzione
- Tipologie di apprendimento: supervisionato, non supervisionato, per rinforzo Feasibility of learning
- Teoria della generalizzazione e VC-dimension (cenni)
Regressione Lineare
- Formulazione matematica del problema
- Stima mediante minimi quadrati del modello lineare
- Esempi di problemi risolvibili tramite regressione lineare

Pomeriggio:
Regressione Logistica
- Formulazione matematica del problema
- Stima a massima verosimiglianza – formulazione generale
- Stima a massima verosimiglianza del modello di regressione logistica
- Metodo del gradient descent per l’ottimizzazione della cifra di merito Overfitting e Regolarizzazione
- Descrizione del problema dell’overfitting e diagnostica della presenza
- Cause dell’overfitting
- Combattere overfitting tramite diversi approcci di regolarizzazione della stima
- Relazione tra errore out-of-sample e regolarizzazione
Laboratorio pratico esempio regressione e classificazione
- Esempi pratici di regressione ( regressione lineare) e classificazione (regressione logistica) utilizzando dataset reali
martedì, 05 marzo 2019
Inizio09:00
Fine18:00
Programma
Programma - Learning from data - classificazione

Mattino:
Validazione
- Stima dell’errore out-of-sample
- Metodo della validazione e della cross-validazione
- Cross-validazione per la stima degli iper-parametri incogniti di un modello di machine learning
Metriche di performance
- Valutazione delle performance del modello tramite metriche e indicatori quantitativi
- Curva ROC e AUC
- Quantità: False positive, Falsi negative, True positive, True negative
- Metriche per problemi di classificazione in cui le classi sono sbilanciate
Laboratorio pratico esempio regolarizzazione/validazione
- Esempi pratici dell’utilizzo di regolarizzazione e validazione per la stima e la valutazione delle performance di un modello di machine learning

Pomeriggio:
Alberi decisionali e random forest
- Descrizione delle tecniche ad albero per la classificazione e regressione
- Selezione automatica dai delle variabili più importanti
- La tecnica del bagging per la riduzione della varianza del modello
Introduzione alle Neural Networks, Reti neurali percettrone multistrato
- Struttura di una rete neurale a percettrone multistrato (MLP)
- Funzioni di attivazione
- Teorema di approssimazione universale
- Funzione di costo per il training delle reti neurali MLP
- Metodo della backpropagation per la stima del gradiente della funzione di costo
- Reti neurali per regressione e classificazione
Laboratorio pratico alberti decisionali/random forest
- Esempi pratici dell’utilizzo di tecniche ad albero per la classificazione e selezione delle features
giovedì, 14 marzo 2019
Inizio09:00
Fine18:00
Programma
Programma - Analisi delle immagini

Mattino:
Machine Vision
-Approccio classico
- Come l’intelligenza artificiale ne ha stravolto le caratteristiche
Reti neurali convoluzionali (CNN)
- Descrizione della struttura di una rete convoluzionale
- Iper-parametri del modello (stride, pooling, funzione di attivazione)
- Applicazione all’analisi delle immagini
Object detection tramite CNN
- Descrizione della struttura di una rete neurale per la object detection
- Modelli comuni esistenti per la object detection (YOLO, SSD)

Pomeriggio:
Frameworks per il deep learning
- Descrizione e confrontro tra le librerie software disponibili per il deep learning tramite reti eureali
Unsupervised learning, k-means clustering
- Descrizione del problema dell’apprendimento non supervisionato
- Algoritmo k-means, formulazione del problema e calcolo della soluzione
- Esempi di applicazione delle tecniche di clustering
Laboratorio pratico deep learning
- Esempi pratici dell’utilizzo di reti neurali per il riconoscimento di immagini
- Framework da decidere uno tra: TensorFlow, Pytorch, Theano, H20
venerdì, 15 marzo 2019
Inizio09:00
Fine18:00
Programma
Programma - Applicazioni di intelligenza artificiale

Mattino:
Recommender systems
- Formulazione del problema
- Soluzione del problema tramite tecniche di clustering
- Soluzione del problema tramite tecniche di regressione
Text analytics
- Il problema dell’analisi automatica del testo
- Applicazione dell’analisi del testo
- Analisi del sentiment
- Il modello word2vec

Pomeriggio:
Bandit algorithms
- Introduzione al reinforcement learning
- Il problema degli algoritmi bandit
- Utilizzo e tuning degli algoritmi bandit
Laboratorio pratico clustering, pca, recommender systems e text analytics
- Esempi pratici dell’utilizzo di delle tecniche di clustering e riduzione della dimensionalità.
- Utilizzo della PCA per data visualization
- Creazione di un recommender systems per suggerire film ad utenti di un servizio online di visione filmografica
- Esempio di sentiment analisi per dati provenienti da Twitter
Apertura Iscrizioni10/01/2019 08:00
Termine Iscrizioni25/02/2019 12:00

Siamo spiacenti le iscrizioni al corso si sono chiuse il 25/02/2019 alle 12:00
Sei già iscritto?
Puoi controllare lo stato della tua iscrizione (in attesa di conferma, in attesa di pagamento, attiva) o caricare la conferma di pagamento accedendo alla tua area personale.