Il corso fornisce un'introduzione organica all'intelligenza artificiale (Artificial Intelligence, AI) e alla Data Science (DS), con particolare attenzione ai principi, ai metodi e alle tecniche derivanti…
Scheda dell'insegnamento
Obiettivi formativi
Il corso fornisce un'introduzione organica all'intelligenza artificiale (Artificial Intelligence, AI) e alla Data Science (DS), con particolare attenzione ai principi, ai metodi e alle tecniche derivanti dall'integrazione di questi ambiti interdisciplinari in rapida evoluzione e alla loro applicazione nel settore dei trasporti e della mobilità. L'insegnamento affronta un ampio spettro di argomenti, dalla manipolazione e analisi esplorativa dei dati fino ai principali metodi di apprendimento automatico e di deep learning. Al termine del corso, lo studente avrà acquisito una comprensione dei principali approcci data-driven per affrontare problemi complessi, supportare processi decisionali e contribuire allo sviluppo della conoscenza in diversi ambiti applicativi. Il corso consente inoltre di sviluppare competenze di base nella progettazione e implementazione di flussi di lavoro per l'analisi dei dati e nella realizzazione di semplici modelli di apprendimento automatico.
Programma
- introduzione all'intelligenza artificiale: definizioni, evoluzione e capacità dell'AI - algoritmi e apprendimento automatico: algoritmi per l'AI; introduzione al machine learning; principali problemi di machine learning - dati e dataset: introduzione alla data science; pre-elaborazione dei dati; analisi esplorativa e visualizzazione dei dati - apprendimento non supervisionato: clustering (k-means, clustering gerarchico); riduzione della dimensionalità (PCA, t-SNE) - apprendimento supervisionato: classificazione e regressione; principali modelli di apprendimento supervisionato; overfitting e underfitting; selezione, validazione e valutazione dei modelli - reti neurali artificiali: architetture; addestramento delle reti neurali; strumenti per l'addestramento e la visualizzazione - deep learning e AI generativa: reti neurali convoluzionali; modelli generativi profondi - large language models: architettura e inferenza; pre-addestramento, fine-tuning e in-context learning; strumenti, limiti e aspetti di sicurezza degli LLM; tendenze attuali e sviluppi futuri
Sono richieste competenze logico-matematiche di base (logica booleana, aritmetica e funzioni) e conoscenze informatiche di base.
L'insegnamento prevede lezioni frontali integrate da esercitazioni pratiche, svolte individualmente e/o in gruppo, finalizzate all'applicazione dei concetti teorici e all'utilizzo degli strumenti illustrati durante il corso.
Modalità d'esame
La verifica dell'apprendimento consiste in: - un'esercitazione, finalizzata ad accertare la capacità di applicare gli strumenti e le metodologie presentate durante il corso; - una prova orale, volta a verificare la comprensione degli argomenti trattati e la capacità di discuterne criticamente i principi e le applicazioni. Ciascuna prova contribuisce per il 50% alla determinazione del voto finale.
Testi di riferimento
Tutti i materiali didattici del corso, comprese le slide delle lezioni, i testi di approfondimento e gli esempi di programmazione, saranno resi disponibili tramite Google Classroom.
Codice insegnamento 7818