Il corso introduce i fondamenti della Data Science e del Machine Learning con un approccio pratico e applicativo. Si partirà dalle tecniche di raccolta, analisi, visualizzazione e preparazione dei dati per poi approfondire i principali algoritmi di Machine Learning, tra cui regressione, classificazione, clustering, Support Vector Machines (SVM) e reti neurali. Le lezioni includono esercitazioni e laboratori in Python su dataset reali e sintetici, con applicazioni per esempio in image e text processing. Non è richiesta una precedente esperienza in Machine Learning.

- Comprendere i fondamenti di Data Science e Machine Learning - Acquisire competenze pratiche nell’analisi e preparazione dei dati - Utilizzare Python per sviluppare workflow di analisi dati e modelli predittivi - Applicare i principali algoritmi di Machine Learning a problemi reali - Interpretare e valutare le performance dei modelli

- Linear Algebra - Concetti di probabilità - Programmazione ad oggetti ed algoritmi

- Fondamenti di Data Science - Preparazione dati e feature engineering - Fondamenti di Machine Learning - Linear Regression - Model selection and regularization - Logistic regression and classification - Numerical optimization - SVM - Neural Networks - Convolutional and deep networks - Dimensionality reduction - Unsupervised clustering - Tree based methods

60h Lezioni ed esercitazioni in aula: presentazioni teoriche e sviluppo di esercizi di programmazione in aula. Le ore di lezione ed esercitazione non sono formalmente distinte, ma la trattazione teorica e l'applicazione pratica sono integrate. Gli studenti sono invitati a seguire la lezione con il proprio PC portatile e svolgere l'esercizio in parallelo al docente. Le esercitazioni in aula comprenderanno lo svolgimento di programmi, sia al fine di comprendere i concetti teorici esposti, sia al fine di approcciare l'analisi e la progettazione di esempi applicativi realistici. Tutto il materiale didattico consiste di: slide delle lezioni, testi e soluzioni degli esercizi svolti in aula ed in laboratorio, registrazioni (screencast) delle lezioni. 40h Esercitazioni informatiche (presso il laboratorio LEP oppure con i PC personali in aula): sviluppo di programmi di machine learning ed data science. Testi, data-set di riferimento, e soluzioni sono rese disponibili sulla piattaforma GitHub.

Lucidi e dispense forniti dai docenti (in inglese). Disponibilità completa delle video-registrazioni (screencast) di tutte le lezioni ed esercitazioni in aula. Disponibilità completa delle soluzioni di tutti gli esercizi proposti in aula ed in laboratorio. - Hastie, Tibshirani, Friedman, “Elements of Statistical Learning”. http://statweb.stanford.edu/~tibs/ElemStatLearn/printings/ESLII_print10.pdf - Raschka, “Python Machine Learning”, 2015. http://file.allitebooks.com/20151017/Python%20Machine%20Learning.pdf

Slides; Esercizi; Esercizi risolti; Esercitazioni di laboratorio; Esercitazioni di laboratorio risolte; Video lezioni dell’anno corrente;

Modalita di esame: Test informatizzato in laboratorio; Prova pratica di laboratorio;

Exam: Computer lab-based test; Practical lab skills test;

... L'esame prevede una prova scritta composta da alcune domande di teoria e dalla realizzazione di un programma in grado di risolvere un problema gestionale, secondo le tecniche e le metodologie trattate durante l'insegnamento. La prova verrà svolta in laboratorio informatico e ha la durata di 2/3 ore, durante le quali gli studenti rispondono alle domande e sviluppano il proprio programma sui PC del laboratorio LEP. Durante la prova è permesso accedere ad Internet (GitHub, Stack Overflow, Documentazione librerie e motori di ricerca) ed utilizzare tutto il materiale in possesso dello studente, per mettere lo studente nelle condizioni di lavoro più realisticamente simili a quelle di un effettivo sviluppatore. N.B.: non è consentito l’utilizzo di strumenti di intelligenza artificiale durante la prova. L’accesso a tali servizi sarà disabilitato e, qualora uno studente venga trovato a farne uso, la prova verrà interrotta con conseguente annullamento dell’esame. La prova è divisa in due parti: - la prima parte sarà composta da domande di teoria sugli argomenti trattati durante il corso. Questa parte è necessaria per raggiungere la sufficienza (min 18, max 21). La funzionalità di questa parte sarà immeditataemnte verificata in laboratorio e se superata si potrà passare alla parte due della prova. - la seconda parte si focalizza sullo sviluppo di un programma che risolva un problema gestionale, leggendo dei dati e applicando tecniche di data science e machine learning viste durante il corso. La seconda parte potrà essere svolta solo dagli studenti che abbiano raggiunto la sufficienza nella prima parte, e potrà apportare fino a 12 punti aggiuntivi.

Gli studenti e le studentesse con disabilita o con Disturbi Specifici di Apprendimento (DSA), oltre alla segnalazione tramite procedura informatizzata, sono invitati a comunicare anche direttamente al/la docente titolare dell'insegnamento, con un preavviso non inferiore ad una settimana dall'avvio della sessione d'esame, gli strumenti compensativi concordati con l'Unita Special Needs, al fine di permettere al/la docente la declinazione piu idonea in riferimento alla specifica tipologia di esame.