Economia e Big Data
Cod 112608
- Laurea triennale
- 3 anni
- 180 CFU
- L-33 R
ING-INF/05
Machine Learning
Codice: 20810087
Scheda insegnamento
- Anno Accademico di erogazione
- 2026/2027
- Corso di studi
- Ingegneria Informatica e dell'Intelligenza Artificiale
- Periodo di erogazione
- Primo semestre
- CFU
- 6 CFU
- Lingua
- Italiano
- SSD
- ING-INF/05
Scopri il programma didattico
Programma, testi adottati e modalità d’esame sono quelli pubblicati dai docenti per l’anno accademico 2026/2027. L’insegnamento è diviso in canali: ogni canale ha il suo programma.
- Docente
- Giuseppe Sansonetti
- Curriculum
- Sistemi informatici
- Anno di corso
- 3
- Periodo
- Primo semestre
- Ore
- 54
- CUIN
- 260001034
Programma
1. Introduzione al Corso
- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Ridge Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
Prerequisiti
Fondamenti di programmazione e data analytics.
Testi adottati
Lucidi delle lezioni.
Modalità di erogazione
Lezioni ed esercitazioni in aula.
Modalità di frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.
Modalità di valutazione
Prova scritta e prova pratica di laboratorio.
Prove previste
- Prova scritta
- Prova pratica
- Curriculum
- Sistemi informatici
- Anno di corso
- 3
- Periodo
- Primo semestre
- Ore
- 54
- CUIN
- 260001034
Il docente non ha ancora pubblicato il programma di questo canale.
- Docente
- Giuseppe Sansonetti
- Curriculum
- Gestionale
- Anno di corso
- 3
- Periodo
- Primo semestre
- Ore
- 54
- CUIN
- 260001044
Programma
1. Introduzione al Corso
- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Ridge Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
Prerequisiti
Fondamenti di programmazione e data analytics.
Testi adottati
Lucidi delle lezioni.
Modalità di erogazione
Lezioni ed esercitazioni in aula.
Modalità di frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.
Modalità di valutazione
Prova scritta e prova pratica di laboratorio.
Prove previste
- Prova scritta
- Prova pratica
- Curriculum
- Gestionale
- Anno di corso
- 3
- Periodo
- Primo semestre
- Ore
- 54
- CUIN
- 260001044
Il docente non ha ancora pubblicato il programma di questo canale.
- Docente
- Giuseppe Sansonetti
- Curriculum
- Automazione e Robotica
- Anno di corso
- 3
- Periodo
- Primo semestre
- Ore
- 54
- CUIN
- 260001060
Programma
1. Introduzione al Corso
- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Ridge Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
Prerequisiti
Fondamenti di programmazione e data analytics.
Testi adottati
Lucidi delle lezioni.
Modalità di erogazione
Lezioni ed esercitazioni in aula.
Modalità di frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.
Modalità di valutazione
Prova scritta e prova pratica di laboratorio.
Prove previste
- Prova scritta
- Prova pratica
- Curriculum
- Automazione e Robotica
- Anno di corso
- 3
- Periodo
- Primo semestre
- Ore
- 54
- CUIN
- 260001060
Il docente non ha ancora pubblicato il programma di questo canale.
- Docente
- Giuseppe Sansonetti
- Curriculum
- Intelligenza Artificiale e Machine Learning
- Anno di corso
- 3
- Periodo
- Primo semestre
- Ore
- 54
- CUIN
- 260001076
Programma
1. Introduzione al Corso
- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Ridge Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
Prerequisiti
Fondamenti di programmazione e data analytics.
Testi adottati
Lucidi delle lezioni.
Modalità di erogazione
Lezioni ed esercitazioni in aula.
Modalità di frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.
Modalità di valutazione
Prova scritta e prova pratica di laboratorio.
Prove previste
- Prova scritta
- Prova pratica
- Curriculum
- Intelligenza Artificiale e Machine Learning
- Anno di corso
- 3
- Periodo
- Primo semestre
- Ore
- 54
- CUIN
- 260001076
Il docente non ha ancora pubblicato il programma di questo canale.
Esplora gli obiettivi dell’insegnamento
Ambito disciplinare: Ingegneria informatica
Gli obiettivi sono quelli di approfondire metodi e tecniche principali per lo sviluppo di sistemi basati sul Machine Learning, quali approcci supervisionati, non supervisionati e per rinforzo; e il relativo uso come strumenti di sviluppo di applicazioni in domini specifici. Verranno studiati gli aspetti delle principali aree della disciplina, tra cui la regressione, la classificazione e il clustering.
Le lezioni e le esercitazioni pratiche svolte durante il corso consentiranno di apprendere metodi e tecniche per la scelta e l’addestramento di specifici approcci di machine learning a partire da dataset reali provenienti da vari ambiti, es. health care, analisi finanziaria, videogame, computer vision, recommender systems
Informazioni utili
Per questo insegnamento non sono pubblicate informazioni aggiuntive. Materiale didattico e documenti si trovano sulla piattaforma del corso.