Login Utente

Ricorda Password

Topic 4 – Machine Learning Supervised & Unsupervised

Modulo 11 — Supervised Machine Learning for Business Prediction

Obiettivi: Utilizzo modelli avanzati con Python

prof. Agostino Di Ciaccio

prof. Federico Francone

Prof. Agostino Di Ciaccio

Contenuti: Random Forest, Gradient Boosting, ML ensemble models, cross-validation e tuning.

Questo modulo offre un’introduzione pratica al Machine Learning supervisionato, integrando la teoria degli algoritmi statistici predittivi. Il modulo considera in particolare:

  • Introduzione al Machine Learning Supervisionato: Fondamenti dell'apprendimento da dati etichettati, distinzione tra problemi di classificazione e regressione, confronto con tecniche statistiche classiche.
  • Alberi di Decisione: Algoritmi basati su regole di decisione, interpretabilità del modello, logiche di split e implementazione con le principali librerie Python (es. Scikit-Learn).
  • Tecniche di Valutazione dei Modelli: Metodologie per misurare l'efficacia delle predizioni, analisi della matrice di confusione, metriche chiave (Accuracy, Precision, Recall, F1-Score, ROC-AUC) e tecniche di Cross-Validation per prevenire l'overfitting.
  • Modelli Ensemble: Potenziamento delle prestazioni predittive tramite l'aggregazione di più modelli, analizzando approcci di Bagging (Random Forest) e Boosting. Verranno anche considerate le Support Vector Machines.

L'elemento trasversale del corso è l'impiego operativo dei chatbot di supporto al coding: i partecipanti impareranno a formulare prompt efficaci per generare e modificare gli script Python necessari.

Prof. Federico Francone

Il corso Laboratorio di Machine Learning è rivolto a studenti che possiedono una conoscenza di base di Python e dei principali concetti di Machine Learning e desiderano approfondire gli aspetti pratici legati alla costruzione di modelli predittivi.

Il corso si concentra su casi reali di applicazione del Machine Learning, affrontati attraverso un approccio pratico e laboratoriale. Particolare attenzione viene dedicata all’implementazione manuale in Python di diverse tecniche di preprocessing e modellazione, con l’obiettivo di comprendere in modo più approfondito i principali passaggi di una pipeline di Machine Learning end-to-end.

Verranno affrontate, tra le altre, implementazioni manuali di tecniche di encoding delle variabili categoriche, di cross-validation per il tuning dei parametri e di metodi basati su alberi decisionali.

L’obiettivo è accompagnare lo studente attraverso uno use case completo e realistico, collegando tra loro i concetti teorici appresi durante il percorso e mostrando come questi vengano applicati concretamente nelle diverse fasi di un progetto di Machine Learning, dalla preparazione dei dati fino alla costruzione e valutazione del modello.

 

Modulo 12 — Model Interpretation & Explainable AI

Prof. Federico Francone

Prof. Agostino Di Ciaccio e Prof. Damiano Orrù

Prof. Federico Francone:

Obiettivi: interpretabilità e trasparenza (modalità asincrona) - Contenuti: feature importance, SHAP, LIME, bias e fairness.

Prof Di Ciaccio: GenIA for Coding & Research 

Questo breve modulo offre una panoramica teorica e pratica sull'Intelligenza Artificiale Generativa. Il modulo considera in particolare:

  • Introduzione all'AI Generativa: Differenza tra AI discriminativa (classica) e generativa, evoluzione dei Large Language Models (LLM) e funzionamento concettuale dell'architettura Transformer e dei modelli diffusionali.
  • Prompt Engineering e Guida dei Modelli: Tecniche e metodologie per formulare istruzioni chiare ed efficaci (Zero-Shot, Few-Shot, Chain-of-Thought), ottimizzazione del contesto e strategie per rilevare e mitigare le "allucinazioni".

Prof. Orrù

IA generativa e ricerca accademica: strumenti, metodi e assistenti intelligenti

Docenza dedicata all’intelligenza artificiale generativa, alla ricerca accademica e alla costruzione di assistenti virtuali personalizzati. Il percorso integra approfondimenti teorici e attività pratiche, accompagnando i partecipanti dalla conoscenza degli strumenti alla loro applicazione. La mattina si apre con il passaggio dal chatbot all’agente virtuale, tema centrale per comprendere l’evoluzione delle modalità di interazione con l’intelligenza artificiale. Si sviluppa un focus sulle piattaforme “search smart” e sulle banche dati, collegando le nuove opportunità di ricerca all’esplorazione delle risorse informative. La sessione pratica affronta il rapporto tra big data e open data, ampliando la riflessione sulle caratteristiche e sulle possibilità di utilizzo dei dati. I partecipanti lavorano alla personalizzazione di assistenti attraverso Google Gemini, Agenti Microsoft Copilot, Artefatti Claude, GPT ChatGPT e Computer Perplexity. L’attività prosegue con la sperimentazione del proprio agente virtuale, traducendo la teoria in pratica nell’esperienza di progettazione.