Corso Machine Learning e Intelligenza Artificiale

MODULO 1: INTRODUZIONE ALL'INTELLIGENZA ARTIFICIALE E MACHINE LEARNING

Obiettivi: Comprendere i concetti di base, la storia e le applicazioni dell'IA e del Machine Learning.
Contenuti:
• Definizione e storia dell'Intelligenza Artificiale
• Tipologie di IA (debole, forte)
• Introduzione al Machine Learning: apprendimento supervisionato, non supervisionato e per
rinforzo
• Panoramica sugli strumenti e librerie di Machine Learning (Python, Scikit-learn, TensorFlow,
PyTorch)
Attività pratica:
• Ricerca di articoli e discussione online sulle applicazioni attuali dell'IA in diversi settori.
• Installazione dell'ambiente di sviluppo (Python, Jupyter Notebook, librerie).
• Attività asincrona: Quiz online per valutare la comprensione dei concetti introduttivi.

MODULO 2: FONDAMENTI DI MACHINE LEARNING
Obiettivi: Acquisire familiarità con i concetti chiave e gli algoritmi principali di Machine Learning.
Contenuti:
• Preprocessing dei dati: gestione dei dati mancanti, normalizzazione, encoding
• Algoritmi di classificazione: regressione lineare, K-NN, Naive Bayes
• Metriche di valutazione dei modelli: precisione, accuratezza, F1-score
• Concetto di overfitting e underfitting
Attività pratica:
• Preprocessing di un dataset reale (es. dataset Iris) con tecniche di gestione dei dati mancanti e normalizzazione.
• Implementazione di un semplice algoritmo di classificazione (K-NN) e valutazione delle sue
performance su un dataset fornito.
• Discussione online dei risultati e feedback dal docente.

MODULO 3: APPRENDIMENTO SUPERVISIONATO
Obiettivi: Approfondire tecniche avanzate di apprendimento supervisionato.
Contenuti:
• Decision Trees, Random Forest e Support Vector Machines (SVM)
• Regolarizzazione: Lasso, Ridge, Elastic Net
• Cross-validation e tecniche di tuning degli iperparametri
Attività pratica:
• Laboratorio online: Implementazione di una Random Forest e di un modello SVM con Scikit-learn su
un dataset reale (es. Titanic dataset).
• Sessione di gruppo: Eseguire cross-validation e tuning degli iperparametri, con condivisione dei
risultati durante un webinar di revisione.
• Compito a casa: Creare un report scritto con analisi dei risultati e miglioramenti possibili.

MODULO 4: APPRENDIMENTO NON SUPERVISIONATO
Obiettivi: Comprendere le tecniche di clustering e riduzione dimensionale.
Contenuti:
• Algoritmi di clustering: K-means e clustering gerarchico
• Riduzione dimensionale: PCA (Principal Component Analysis) e t-SNE
Attività pratica:
• Implementazione pratica: Eseguire un clustering K-means su un dataset (es. MNIST) e visualizzare i
risultati con PCA o t-SNE.
• Sessione collaborativa: Confrontare e discutere i risultati del clustering durante una sessione di
revisione in tempo reale.

• Quiz interattivo online per testare la comprensione delle tecniche di clustering.

MODULO 5: INTRODUZIONE AL DEEP LEARNING
Obiettivi: Fornire una panoramica delle reti neurali e delle loro applicazioni.
Contenuti:
• Architettura delle Reti Neurali Artificiali (ANN)
• Algoritmi di ottimizzazione (SGD, Adam)
• Introduzione alle Reti Neurali Convoluzionali (CNN) e alle Reti Neurali Ricorrenti (RNN)
• Strumenti per il Deep Learning: TensorFlow e PyTorch
Attività pratica:
• Laboratorio pratico: Implementazione di una rete neurale di base (MLP) utilizzando TensorFlow su
un dataset di classificazione di immagini (es. MNIST).
• Discussione asincrona: Analisi comparativa dei modelli sviluppati dai diversi studenti in un forum
online.
• Attività asincrona: Video tutorial su CNN e RNN, con esercizi di codifica guidati.


MODULO 6: TECNICHE AVANZATE DI DEEP LEARNING
Obiettivi: Approfondire le reti neurali profonde e le tecniche avanzate.
Contenuti:
• Reti Neurali Profonde (DNN)
• Transfer Learning e modelli pre-addestrati
• Generative Adversarial Networks (GAN)
• Introduzione all'Apprendimento per Rinforzo (Reinforcement Learning)
Attività pratica:
• Laboratorio online: Implementazione di Transfer Learning con un modello pre-addestrato (es.
ResNet) su un dataset di immagini.

• Esercizio guidato: Creare una semplice GAN per generare immagini sintetiche.
• Attività asincrona: Studio autonomo sull'apprendimento per rinforzo con un video introduttivo e
quiz di verifica.

MODULO 7: INTELLIGENZA ARTIFICIALE APPLICATA
Obiettivi: Esplorare applicazioni reali dell'IA in diversi settori.
Contenuti:
• IA in sanità, industria, marketing e altre applicazioni
• IA per il riconoscimento vocale e la traduzione automatica
• Sistemi di raccomandazione
Attività pratica:
• Progetto di gruppo: Creazione di un sistema di raccomandazione utilizzando tecniche di filtraggio
collaborativo e valutazione in un ambiente di laboratorio online.
• Sessione di gruppo live: Presentazione dei progetti di gruppo durante una sessione online con
feedback in tempo reale.

MODULO 8: ETICA E REGOLAMENTAZIONE DELL'INTELLIGENZA ARTIFICIALE

Obiettivi: Comprendere le implicazioni etiche e legali dello sviluppo e utilizzo dell'IA.
Contenuti:
• Bias nei modelli di IA
• Trasparenza e responsabilità nell'IA
• Normative e regolamentazioni internazionali
Attività pratica:
Discussione online di casi studio: Analisi delle implicazioni etiche in scenari reali di IA (es. riconoscimento
facciale, bias nei modelli).
• Forum di discussione asincrono: Discutere potenziali soluzioni per affrontare problemi etici legati
all'IA.

MODULO 9: PROGETTO FINALE E REVISIONE
Obiettivi: Mettere in pratica le competenze acquisite attraverso un progetto finale.
Contenuti:
• Sviluppo di un progetto completo su un tema scelto (classificazione, clustering, riconoscimento di
immagini, etc.).
• Presentazione online del progetto finale e discussione dei modelli e delle tecniche utilizzate.
Attività pratica:
• Lavoro individuale o di gruppo sul progetto.
• Revisione con il docente: Sessioni di feedback in tempo reale su progetti individuali o di gruppo
tramite videoconferenze.
• Sessione finale: Presentazione online del progetto con domande e risposte dal gruppo e feedback
finale.
Materiale e Strumenti Necessari:
• Python, Jupyter Notebook, librerie: Scikit-learn, TensorFlow, PyTorch
• Dataset pubblici per esercitazioni (es. MNIST, CIFAR-10, Iris dataset)
• Piattaforme di apprendimento online per videoconferenze, forum di discussione e quiz (es. Zoom,
Google Classroom, Moodle)
Metodologia Didattica:
• Lezioni online in diretta e video registrati per lo studio asincrono.
• Esercitazioni pratiche su piattaforme di coding condivise (Google Colab, Jupyter Notebook in cloud).
• Forum di discussione e sessioni di revisione online.
• Progetti individuali e di gruppo con feedback continuo