OBIETTIVI FORMATIVI
Il corso si propone di fornire agli Studenti la conoscenza su di un ampio spettro di metodi e algoritmi di intelligenza artificiale e di apprendimento automatico, discutendone le proprietà e mostrandone l’esempio di impiego in diversi scenari applicativi con particolare riferimento al dominio salute.
Gli Studenti acquisiranno quindi le capacità per risolvere problemi che richiedono l’utilizzo di metodi e tecniche di intelligenza artificiale e di apprendimento automatico, partendo da una corretta formulazione del problema di interesse, con la scelta dell’approccio o algoritmo più appropriato, e riuscendo ad organizzare e condurre una validazione sperimentale dei risultati ottenuti.

ORGANIZZAZIONE DELLA DIDATTICA
DIDATTICA EROGATIVA
N. 72 Videolezioni On-Line (N. 9 Unita’ Didattiche - della durata di due ore per ogni CFU)

DIDATTICA INTERATTIVA
N. 2 Lezioni Interattive per CFU
N. 5 Discussioni Tematiche sul Forum Didattico (Topic) E N. 2 Post per CFU come dal linee guida sulla didattica del PQA
N. 2 E-Tivity Ogni 5 CFU
N. 2 Test per ogni CFU con 8 domande a risposta multipla

PROGRAMMA DEL CORSO
Corso di laurea L8 (9 CFU):
1. Introduzione all'intelligenza artificiale, cenni storici e applicazioni nel dominio salute
2. Introduzione al Machine Learning, terminologia di base, paradigmi e task di apprendimento automatico, metriche di valutazione
3. Addestramento, valutazione e selezione di modelli di Machine Learning
4. Metodi e algoritmi di Machine Learning supervisionati per problemi di regressione
5. Metodi e algoritmi di Machine Learning supervisionati per problemi di classificazione: Regressione Logistica, Support Vector Machines, Naive Bayes, K-Nearest Neighbors, Decision Trees
6. Metodi e algoritmi di Machine Learning non supervisionati: Clustering
7. Reti Neurali Artificiali: Percettrone e Reti neurali multistrato
8. Metodi e algoritmi di Ensemble Learning

MODALITÀ DI VERIFICHE DI PROFITTO IN ITINERE
Il grado di apprendimento degli studenti è monitorato costantemente attraverso gli strumenti e le metodologie di verifica.
In particolare, al fine di rendere fattibile la verifica e la certificazione degli esiti formativi il docente ed il tutor terranno conto del:
1. tracciamento automatico delle attività formative da parte del sistema - reporting;
2. il monitoraggio didattico e tecnico (a livello di quantità e qualità delle interazioni, di rispetto delle scadenze didattiche, di consegna degli elaborati previsti, ecc.).
3. le verifiche di tipo formativo in itinere, anche per l'autovalutazione (p. es. test multiple choice, vero/falso, sequenza di domande con diversa difficoltà, simulazioni, mappe concettuali, elaborati, progetti di gruppo, ecc.);
4. l'esame finale di profitto, nel corso del quale si tiene conto e si valorizza il lavoro svolto in rete (attività svolte a distanza, quantità e qualità delle interazioni on line, ecc.).
La valutazione, in questo quadro, tiene conto di più aspetti:
a. il risultato di un certo numero di prove intermedie (test on line, sviluppo di elaborati, ecc.);
b. la qualità e quantità della partecipazione alle attività on line (frequenza e qualità degli interventi monitorabili attraverso la piattaforma);
c. i risultati della prova finale.

Pertanto i dati raccolti saranno oggetto di valutazione da parte del docente per l'attività di valutazione dello studente.


MODALITÀ DI VALUTAZIONE
L’accesso all’esame è subordinato al riconoscimento di frequenza, che verrà attestato con l'apposito certificato al momento della prenotazione dell'esame, che attesterà lo svolgimento delle attività didattiche di verifica in itinere e al livello del lavoro svolto nelle varie esercitazioni.
L'esame consisterà in un colloquio orale e la votazione sarà espressa in 30/30
L'esame di profitto viene svolto in forma orale. Lo studente riceverà dalla commissione almeno tre domande sugli argomenti descritti nel programma del Corso.
L’esame mira a valutare il raggiungimento degli obiettivi didattici. In particolare:
a) Lo studente dovrà dimostrare di avere conoscenza degli algoritmi, delle tecniche e degli strumenti di Machine Learning per lo sviluppo di modelli adottando i diversi paradigmi supervised e unsupervised.
b) Lo studente dovrà dimostrare di essere in grado di progettare, realizzare e valutare un modello di Machine Learning per la risoluzione di un problema relativo al dominio salute.

In riferimento alla votazione verranno assegnati al massimo 9 punti per ogni obiettivo verificato di cui ai punti a e b.
Ai fini del superamento dell’esame è richiesto un punteggio minimo pari a 9 punti ad obiettivo.
La lode verrà assegnata nel caso in cui lo studente:
a) acquisisca il punteggio massimo assegnato a tutti gli obiettivi
b) dimostri piena autonomia nel condurre il colloquio orale
c) evidenzi punti di forza e criticità connessi all’addestramento di un algoritmo di Machine Learning in relazione alla classe di problema da affrontare.


CONOSCENZA E COMPRENSIONE (DESCRITTORE DI DUBLINO N. 1)
Conoscenza sui principali metodi e algoritmi di apprendimento automatico per problemi di classificazione, regressione, apprendimento non-supervisionato e basato su ensemble, con riferimento sia alle basi teoriche che ai dettagli tecnici necessari per comprendere le soluzioni adottate per i problemi applicativi affrontati

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE (DESCRITTORE DI DUBLINO N. 2)
Capacità di progettare e sviluppare soluzioni basate sulle tecniche di intelligenza artificiale e apprendimento automatico studiate per risolvere problemi specifici a partire da insiemi di dati. Lo svolgimento di un progetto finale consentirà agli Studenti di applicare le conoscenze acquisite.

• “Artificial Intelligence: A Modern Approach”. Fourth Edition. Russell and Norvig. Global Edition.
• “Machine Learning: The Basics”, Jung, Springer.
• “Machine Learning”, Mitchell, McGraw Hill.