-
Lingua Insegnamento:
Italiano
-
Testi di riferimento:
E' possibile reperire il materiale didattico sulla piattaforma e-learning al seguente indirizzo:
https://elearning.unich.it/course/section.php?id=25332 -
Obiettivi formativi:
Il corso si propone di fornire conoscenze su linguaggi e tecniche di programmazione, algoritmi e strutture dati utili per il calcolo scientifico e conoscenze di tecniche per l’Apprendimento Automatico (Machine Learning) e l’Apprendimento Profondo (Deep Learning).
-
Prerequisiti:
Buona conoscenza degli argomenti dei corsi di base di analisi matematica e geometria.
-
Metodi didattici:
L’insegnamento si compone di 72 ore di didattica frontale, suddivise in lezioni da 2 ore. Le lezioni frontali saranno supportate da diapositive e tratteranno gli aspetti teorici della disciplina.Inoltre, all’interno del corso sono previste delle esercitazioni pratiche.La frequenza alle lezioni è facoltativa ma altamente consigliata.Le slide e altro materiale didattico, saranno disponibili sulla piattaforma e-learning del corso.
-
Modalità di verifica dell'apprendimento:
La verifica dell'apprendimento consiste in due prove: lo sviluppo di un progetto individuale ed una prova orale.Nello sviluppo del progetto, lo studente applica i concetti acquisiti durante il corso. Il progetto dovrà essere accompagnato da una relazione che documenta le attività svolte ed i risultati ottenuti. I progetti sono concordati con il docente.La prova orale mira a valutare la comprensione degli aspetti tecnici e teorici dei concetti presentati durante il corso.Il voto finale è espresso in trentesimi. Affinché la valutazione finale sia positiva, lo studente deve conseguire almeno 18 punti.
Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof.ssa Laura Marzetti, laura.marzetti@unich.it -
Obiettivi Agenda 2030 per lo sviluppo sostenibile:
Questo insegnamento concorre alla realizzazione degli obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile
-
Altre Informazioni:
Il ricevimento studenti è fissato il martedì dalle 9:00 alle 11:00, in presenza.Si prega di inviare un'email a luciano.caroprese@unich.it almeno tre giorni prima per conferma. È possibile fissare un appuntamento per un altro giorno della settimana scrivendo un'email a luciano.caroprese@unich.it.
Il corso si propone di fornire conoscenze su linguaggi e tecniche di programmazione, algoritmi e strutture dati utili per il calcolo scientifico e conoscenze di tecniche per l’Apprendimento Automatico (Machine Learning) e l’Apprendimento Profondo (Deep Learning).Il corso sarà strutturato in due moduli.Nel primo modulo, saranno fornite informazioni sulla struttura del calcolatore e la gestione della memoria. Saranno poi introdotte le basi del linguaggio di programmazione Python e saranno trattate le strutture dati fondamentali. Sarà illustrato l’utilizzo di funzioni, cicli e istruzioni condizionali. Saranno inoltre presentati i concetti di programmazione ad oggetti e programmazione ricorsiva. Saranno fornite informazioni per la gestione del codice, il mining sui dati e la visualizzazione dei risultati.Nel secondo modulo, saranno presentati i concetti fondamentali relativi all’ Apprendimento Automatico ed all’Apprendimento Profondo. Saranno poi presentate le principali tecniche per l’Apprendimento Automatico supervisionato e non supervisionato e le librerie necessarie per lo sviluppo di modelli di regressione e classificazione.Saranno infine presentate le principali architetture delle Reti Neurali Profonde (Deep Neural Network) e le librerie per il loro sviluppo.
• Informazioni Generali• Il linguaggio Python• Machine Learning• Support Vector Machine• k-Nearest Neighbors, Regressione Lineare e Regressione Logistica• Alberi Decisionali e Random Forest• Apprendimento non Supervisionato• Introduzione alle Reti Neurali Artificiali• Reti Neurali Convoluzionali• Reti Neurali Ricorrenti • Modelli Avanzati di Deep Learning
Scopri cosa vuol dire essere dell'Ud'A
SEDE DI CHIETI
Via dei Vestini,31
Centralino 0871.3551
SEDE DI PESCARA
Viale Pindaro,42
Centralino 085.45371
email: info@unich.it
PEC: ateneo@pec.unich.it
Partita IVA 01335970693
