Risultati dell'apprendimento

Al termine del corso lo studente acquisirà le conoscenze e i concetti alla base dei sistemi di apprendimento automatico ed in particolare i modelli fondamentali per la classificazione e la regressione, le architetture basate su reti neurali e le principali tecniche di reinforcement learning.

CFU

9 CFU, 90 ore di didattica frontale distribuite in 6 ore a settimana.

Prerequisiti

Il corso presuppone una buona conoscenza dei concetti fondamentali di analisi matematica, algebra lineare, calcolo delle probabilità e della programmazione in linguaggio Python.

Modalità di svolgimento delle lezioni

La didattica sarà svolta esclusivamente in presenza.
La classe virtuale su Teams sarà utilizzata per condividere il materiale del corso e informazioni organizzative.

Orario delle lezioni

• Martedì dalle 11:30 alle 13:15, aula A3
• Mercoledì dalle 9:30 alle 11:15, aula C2
• Venerdì dalle 11:30 alle 13:15, aula B13

---

Docente

Gabriele Russo Russo
E-mail: (aggiungere "[ML]" nell'oggetto della mail)
Ufficio: stanza D1-15, corpo D dell'edificio "Ingegneria dell'Informazione", primo piano.
Ricevimento: su appuntamento

Informazioni Generali

Link per classe virtuale su Microsoft Teams

---

Avvisi

• 17 settembre 2025 - IMPORTANTE: La prima lezione del corso si terrà il 30 settembre.
• 15 settembre 2025 - Durante il corso, il materiale didattico e gli avvisi "urgenti" saranno caricati sul canale Teams.
• 15 settembre 2025 - Si raccomanda di effettuare l'iscrizione al corso tramite Delphi

---

Testi consigliati

• Andreas Lindolm, Niklas Wahlstrom, Fredrik Lindsten, Thomas Schon, Machine Learning - A First Course for Engineers and Scientists. , Cambridge University Press (2022).

Su deep learning e reti neurali:

• Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola, Dive into Deep Learning. (Free online version)
• Simon J.D. Prince, Understanding Deep Learning. (Free online version)
• Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, 2016. (Online version freely available)

Per gli aspetti implementativi:

• Aurélien Géron, "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" (3rd edition), 2022.

---

Materiale Didattico

Le slides usate a lezione e materiali di esempio saranno resi disponibili all'interno della classe virtuale Teams.

---

---

Programma

• Tecniche base di apprendimento supervisionato
• K-Nearest Neighbours
• Alberi di decisione
• Regressione lineare e logistica
• Bayesian Learning
• Tecniche base di apprendimento non supervisionato
• Clustering con K-Means
• PCA
• Reti neurali e deep learning
• Concetti fondamentali e tecniche di addestramento
• Reti convoluzionali
• Autoencoder
• Reti ricorrenti (cenni)
• Transformer (cenni)
• Introduzione al Reinforcement Learning

Esami

Modalità di esame

L'esame si compone di:

• Prova scritta (75% del voto);
• Progetto e relativa discussione (25% del voto).

In alternativa alla prova scritta, sarà possibile sostenere due prove intermedie (metà corso, fine corso). Per accedere alla discussione del progetto bisogna aver ottenuto un voto sufficiente nella prova scritta o nelle due prove di esonero. Per poter sostenere la seconda prova intermedia bisogna conseguire un voto maggiore o uguale a 16 nella prima prova. La partecipazione a qualunque prova scritta annulla automaticamente qualsiasi altro voto positivo conseguito in precedenza.

Appelli

Per la prenotazione alle prove d'esame, usare il servizio di prenotazione su Delphi.

Date prove scritte:

TBA

• I appello sessione invernale
  Lunedì 2 febbraio 2026, ore 10:00 aula C11 (edificio Didattica).
• II appello sessione invernale
  Lunedì 23 febbraio 2026, ore 10:00 aula C6 (edificio Didattica).