Master universitario online in Intelligenza artificiale

Obiettivi

▪ RK3: Spiega la normativa e la regolamentazione vigente in ambito IA

▪ RK5: Identifica gli usi e le applicazioni dell’IA

▪ RK6: Interpreta il processo di generazione di un modello di IA, le sue fasi e la sua messa in

produzione

▪ RODS: Sviluppa una comunicazione efficace, il lavoro di squadra, il pensiero

analitico, la creatività e la leadership etica da una prospettiva trasversale e con una

chiara ispirazione ai principi e ai valori democratici, nonché agli Obiettivi di

Sviluppo Sostenibile, per operare con integrità in un contesto professionale

▪ Padroneggia le diverse fasi della gestione di un progetto di apprendimento

automatizzato e gli strumenti più comuni per portare a termine tale compito con successo

▪ Attua i requisiti legali e normativi nell’ambito di un progetto di IA

per garantire che la sua implementazione non comporti problemi di non conformità per l’

organizzazione

▪ Applica le normative che regolano l’utilizzo degli algoritmi di IA

▪ Competenze di base:

• Lo studente acquisirà familiarità con i principali casi d’uso e con esempi specifici di

applicazione dell’IA nel mondo aziendale, nonché i concetti di base per

operare come data scientist all’interno di un’organizzazione

▪ Competenze specifiche:

• Verranno approfonditi i concetti relativi a una migliore implementazione dei

modelli analitici e di intelligenza artificiale in materia di legislazione, gestione

di progetto, delle buone pratiche di progettazione e dell’economia comportamentale, nonché della

gestione di progetti di analisi avanzata.

Descrizione dei contenuti

1. L’intelligenza artificiale nel mondo aziendale: a titolo introduttivo vedremo

come, innanzitutto, la disponibilità di grandi quantità di dati, nonché di

strumenti per la loro elaborazione, nonché i modelli di intelligenza artificiale

da essi derivati, abbiano rivoluzionato completamente i settori industriali e il mondo in

in cui viviamo, e quali sono state le conseguenze per le diverse organizzazioni e i settori

aziendali

2. Data Governance: esploreremo e approfondiremo, sia dal punto di vista teorico che pratico, i

principali concetti di governance dei dati e del loro ciclo di vita all’interno dell’organizzazione,

sia dal punto di vista dell’utente, sia dal punto di vista del data

proprietario o del responsabile della qualità e della disponibilità dei dati.

3. BECO e Design: Principi generali dell’economia comportamentale e del design orientato ai

dati e la loro rilevanza nella creazione e nello sviluppo di progetti analitici.

4. Gestione dei progetti: ciclo di vita della gestione dei progetti all’interno dell’organizzazione.

Concetti di pianificazione, gestione dei tempi, dei team e delle dipendenze, nonché principi della

filosofia agile di sviluppo dei progetti.

5. Aspetti etici e legali: Presentazione dei contesti e delle normative che riguardano i

modelli di Intelligenza Artificiale, principali iniziative legislative in corso e aspetti

etici da tenere in considerazione nello sviluppo dei modelli.

6. MLOps: integrazione dell’IA con i sistemi operativi: esploreremo in modo

approfondiremo come integrare efficacemente il Machine Learning nel mondo aziendale,

sfruttare i vantaggi del cloud per implementare modelli in modo scalabile,

applicare le pratiche DevOps per una gestione efficiente e trarre insegnamento da casi d’uso reali

in diversi settori. Manterremo inoltre un approccio aggiornato alle

tendenze più recenti nel Machine Learning.

Sistema e criteri di valutazione

Nell’aula virtuale del corso/modulo potrai consultare in dettaglio le attività che dovrai

svolgere, nonché le date di consegna, i criteri di valutazione e le griglie di valutazione di ciascuna di

di esse.

Il tuo voto finale dipenderà dal seguente sistema di valutazione:

Il 50% del voto sarà costituito dal punteggio ottenuto nella valutazione continua. A tal fine si terrà conto di:

Attività individuali e/o di gruppo: sono incluse nella valutazione continua.

L’esame finale del corso/modulo costituirà il: 50% del voto finale.

Bibliografia

Di base:

1.- Daniel Kahneman

Pensare veloce e lento

Penguin Books. 2011.

ISBN: 9780141033570

2.- Ken Schwaber & Jeff Sutherland

The Scrum Guide

Scrum.org. 2024.

ISBN: 0000000000

3.- Zhamak Dehghani

Data Mesh: Delivering Data-Driven Value at Scale

O'Reilly. 2022.

ISBN: 1492092398

Obiettivi

Conoscenze

- Riconosce le teorie statistiche più utilizzate nei contesti di IA.

- Descrive le metriche impiegate nella calibrazione dei modelli di IA.

Competenze

- Applica la statistica relativa agli algoritmi di IA più comuni.

- Individua l’algoritmo necessario per affrontare un caso di IA.

Competenze

- Valuta in modo imparziale diverse soluzioni basate sull'intelligenza artificiale e sceglie quella più efficace per il raggiungimento degli obiettivi prefissati.

- Valuta la qualità di un modello di IA sulla base di metriche che consentono il confronto tra diversi algoritmi

Descrizione dei contenuti

Unità 1: Specializzazione in statistica per la descrizione e l’analisi di set di dati di grandi dimensioni.

Unità 2: Teoria della stima

Unità 3: Decisione e classificazione statistica

Unità 4: Statistica bayesiana

Unità 5: Generazione statistica dei dati: set di dati sintetici e imputazione dei dati mancanti

Unità 6: Teoria dei grafi complessi e loro applicazioni all’intelligenza artificiale

Sistema e criteri di valutazione

Sistema di valutazione

Il 50% del voto sarà determinato dalla valutazione continua (2 esercitazioni pratiche il cui voto finale sarà la media dei due lavori).

Il 50% del voto sarà determinato dal risultato ottenuto nell’esame finale.

Sessione ordinaria

Per superare il corso nella sessione ordinaria è necessario ottenere un voto pari o superiore a 5,0 su 10 nella valutazione finale (media ponderata) del corso e inoltre:

La media dei voti di tutte le attività (lavori pratici) dovrà essere pari o superiore a 5,0 su 10 per poter essere conteggiata nella media con l’esame. Allo stesso modo, il voto dell’esame dovrà essere pari o superiore a 5,0 su 10 per poter essere conteggiato nella media con le attività.

Sessione straordinaria

Per superare il corso nella sessione straordinaria è necessario ottenere un voto pari o superiore a 5,0 su 10 nella valutazione finale.

È necessario consegnare le attività non superate nella sessione ordinaria, dopo aver ricevuto il feedback corrispondente da parte del docente, oppure quelle che non sono state consegnate.

Appendice

Competenze di base

Lo studente sarà in grado di comprendere le caratteristiche che differenziano lo sviluppo di un modello di apprendimento supervisionato a fini esplicativi o predittivi e, in particolare, le differenze nelle metriche di valutazione di entrambi.

Competenze specifiche

Lo studente sarà in grado di comprendere per quali tipi di dati e applicazioni siano appropriate diverse architetture, ad esempio: reti neurali o modelli basati su grafi.

Bibliografia

Di base:

1.- Albert, Réka, e Albert-László Barabási

Statistical mechanics of complex networks

Reviews of modern physics 74.1: 47. 2002.

ISBN: 0034-6861

2.- Boccaletti, Stefano, et al.

Reti complesse: struttura e dinamica

" Physics Reports 424.4-5, pp. 175-30. 2006.

ISBN: 0370-1573

3.- Boccaletti, Stefano, et al.

La struttura e le dinamiche delle reti multistrato

Physics Reports 544.1, pp. 1-122. 2014.

ISBN: 00000-00000

4.- Euler, Leonhard.

Leonhard Euler e i ponti di Königsberg

Scientific American. 1953.

ISBN: 0036-8733

5.- Gareth, J.; Witten, D.; Hastie, T. e Tibshirani, R

An Introduction to Statistical Learning: With Applications to R

Springer. 2017.

ISBN: 9788074350887

6.- Hastie, T.; Tibshirani, R. e Friedman, J.

“The Elements of Statistical Learning: Data Mining, Inference and Prediction (2ª ed.)

2ª ed. Springer. 2017.

ISBN: 9780387848570

7.- Newman, Mark EJ.

The structure and function of complex networks

» SIAM Review 45.2. pp. 167-256. 2003.

ISBN: 0036-1445

8.- Partida, Alberto, Regino Criado e Miguel Romance

Gestione dell’identità e degli accessi: resilienza contro i rischi intenzionali per le piattaforme IoT basate su blockchain

Electronics 10.4: 378. 2021.

ISBN: 2079-9292

Obiettivi

Attraverso i quattro moduli didattici del corso, si intendono sviluppare le seguenti competenze e risultati di apprendimento:

In base alla relazione del MUIA, questo corso richiede i seguenti risultati del processo di formazione e apprendimento:

In termini di conoscenze o contenuti (knowledge):

RK1: Comprende i linguaggi di programmazione, le librerie e i framework più utilizzati nell’ambito dell’IA.

In termini di competenze:

RC3: Padroneggia le diverse fasi della gestione di un progetto di apprendimento automatico e gli strumenti più comuni per portare a termine con successo tale compito.

RC5: Adatta le diverse tecnologie e gli algoritmi disponibili per applicarli alla risoluzione di problemi di IA.

Per quanto riguarda le abilità o competenze (skills):

RS2: Padroneggia l’uso delle librerie e degli strumenti più comuni nel campo dell’intelligenza artificiale.

▪ Competenze di base: lo studente sarà in grado di comprendere il ruolo svolto dalle librerie e dagli ambienti di programmazione trattati nel corso.

▪ Competenze specifiche: lo studente sarà in grado di utilizzare le librerie e gli ambienti di programmazione trattati nel corso.

▪ Risultati di apprendimento: lo studente presenterà i seguenti risultati di apprendimento: Un programma in Python che utilizzi le librerie studiate nel modulo 2. Un programma in R che utilizzi le librerie studiate nei moduli 4-6. Entrambi i programmi saranno sviluppati in un ambiente di sviluppo integrato (EDA).

Descrizione dei contenuti

Il primo modulo sarà incentrato sulla conoscenza di Python come uno degli standard, non solo nei processi di machine learning, ma nell’industria in generale. Approfondiremo la conoscenza dei principali IDE utilizzati e faremo una breve rassegna su SQL, come linguaggio per l’analisi dei dati.

Il secondo modulo illustra i moduli di base di Python che costituiscono il fondamento della programmazione in Python per l’intelligenza artificiale. Esempi di tali moduli specializzati sono Pandas, Numpy e SciPy. Verrà inoltre introdotto l’uso di librerie di visualizzazione in Python come Matplotlib e Seaborn.

Il terzo modulo presenterà due dei principali framework per l’intelligenza artificiale: SKLearn, incentrato sui modelli tradizionali, e TensorFlow, più orientato al deep learning. Concluderemo con un’introduzione al controllo delle versioni con Git.

Il quarto, il quinto e il sesto modulo riprendono la struttura dei primi due, ma, in questa occasione, utilizzando R come linguaggio di programmazione, con particolare attenzione alle sue funzionalità native e alle librerie per l’analisi dei dati (dplyr, data.table) e di visualizzazione come ggplot2.

Sistema e criteri di valutazione

Nell’aula virtuale del corso/modulo potrai consultare in dettaglio le attività che dovrai svolgere, nonché le date di consegna, i criteri di valutazione e le griglie di valutazione di ciascuna di esse.

Il tuo voto finale dipenderà dal seguente sistema di valutazione:

Il 50% del voto sarà costituito dai compiti da consegnare (uno in Python e uno in R)

L’esame finale del corso costituirà l’altro 50% del voto.

Bibliografia

Di base:

1.- Chang, Winston

R Graphics Cookbook

O'Reilly Media. 2013.

ISBN: 9781449316952

2.- Healy Kieran

Data Visualization: A Practical Introduction

Princeton University Press. 2019.

ISBN: 9780691181622

3.- Luciano Ramalho

Fluent Python: Programmazione chiara, concisa ed efficace

2ª ed. O'Reilly. 2022.

ISBN: 9781492056355

4.- Marc Lutz

Imparare Python: Programmazione orientata agli oggetti potente

6ª ed. O'Reilly. 2025.

ISBN: 9781098171308

5.- SAS Viya

Riferimento ai nodi di Machine Learning

SAS Institute Inc. 2023.

ISBN: 0000000000

6.- Wickham, Hadley; Mine Çetinkaya-Rundel e Garrett Grolemund

R for Data Science (2ª ed.)

O'Reilly Media. 2023.

ISBN: 9781492097402

Obiettivi

Il corso "Tecniche di IA: Classificazioni e Raggruppamenti" ha l'obiettivo di fornire una formazione completa che combini solide conoscenze teoriche e competenze pratiche applicabili nel campo dell'Intelligenza Artificiale. Tra gli obiettivi specifici figurano la padronanza delle basi teoriche delle principali tecniche di classificazione e clustering, quali k-NN, SVM, Naive Bayes, K-means e DBSCAN, nonché la comprensione del Feature Engineering come processo essenziale per ottimizzare le prestazioni dei modelli di IA. Inoltre, si mira a familiarizzare gli studenti con gli strumenti e le librerie più utilizzati nell’ambito dell’IA, quali Scikit-learn, Pandas e NumPy, affinché possano applicare tali conoscenze a problemi pratici.

In termini di competenze, lo studente sarà in grado di valutare e selezionare gli algoritmi più appropriati per risolvere problemi specifici di classificazione e raggruppamento, progettare ed eseguire processi di Feature Engineering per ottimizzare i set di dati, implementare soluzioni pratiche utilizzando strumenti standard del settore e analizzare i risultati ottenuti per adattare i modelli in modo efficace. Viene inoltre incoraggiata la partecipazione attiva a progetti collaborativi e dibattiti, promuovendo il pensiero critico e la risoluzione creativa dei problemi.

La valutazione del corso combinerà l’acquisizione di conoscenze teoriche e le competenze pratiche. La valutazione continua rappresenterà il 50% del voto finale e comprenderà la partecipazione attiva a forum e dibattiti, la risoluzione e la consegna di attività pratiche individuali o di gruppo, nonché la compilazione di questionari e compiti di autovalutazione. Il restante 50% del voto sarà attribuito all’esame finale, che valuterà sia le conoscenze teoriche sia la capacità di applicarle in un contesto strutturato. Per superare il corso, sarà necessario ottenere un voto minimo di 5 su 10 in entrambe le componenti della valutazione.

Descrizione dei contenuti

Il corso «Tecniche di IA: Classificazioni e Raggruppamenti» affronta i fondamenti teorici e pratici necessari per applicare tecniche avanzate di classificazione e raggruppamento nel campo dell’Intelligenza Artificiale. È strutturato in sei moduli essenziali che trattano i seguenti contenuti:

Feature Engineering: Introduzione alle tecniche di selezione e generazione di variabili per ottimizzare i modelli di IA. Questo modulo esplora i principi fondamentali per trasformare e preparare i dati, migliorando così l’efficacia degli algoritmi.

Classificazione con SVM (Support Vector Machines): analisi dei fondamenti teorici e delle applicazioni pratiche delle Support Vector Machines, una tecnica statistica fondamentale per la classificazione.

Classificazione con k-NN (k-Nearest Neighbors): studio dell’algoritmo k-Nearest Neighbors, uno strumento essenziale per la classificazione basata sulla prossimità, con particolare attenzione alla sua implementazione e alle applicazioni pratiche.

Classificazione con Naive Bayes: panoramica del metodo probabilistico Naive Bayes, compresi i suoi fondamenti statistici e il suo utilizzo in scenari reali di classificazione.

Raggruppamento con K-means: Presentazione di questo popolare metodo di raggruppamento, con particolare attenzione alla sua comprensione teorica, all’implementazione pratica e alle applicazioni.

Raggruppamento con DBSCAN (Density-Based Spatial Clustering of Applications with Noise): Introduzione all’algoritmo di raggruppamento basato sulla densità, ideale per lavorare con insiemi di dati complessi e rumorosi.

Questi contenuti sono stati progettati per fornire una comprensione approfondita e pratica delle principali tecniche di classificazione e clustering, promuovendo l’apprendimento attivo attraverso attività e progetti.

Sistema e criteri di valutazione

Il sistema di valutazione del corso "Tecniche di IA: Classificazioni e Raggruppamenti" combina attività pratiche e prove di conoscenza, con l’obiettivo di misurare sia l’acquisizione delle competenze teoriche sia la capacità di applicarle in contesti reali.

Il voto finale si articola in due componenti principali:

Valutazione continua (50%): comprende la partecipazione attiva a forum e dibattiti, la consegna puntuale degli esercizi di feedback (1 e 2) e la compilazione di questionari o compiti di autovalutazione. Queste attività consentono di consolidare i concetti trattati e di valutare i progressi dello studente nel corso del semestre.

Esame finale (50%): consiste in una prova che valuta sia le conoscenze teoriche acquisite sia la loro applicazione a problemi pratici. Per superare il corso, lo studente dovrà ottenere un voto minimo di 5 su 10 sia nella valutazione continua che nell’esame finale.

La valutazione continua mira a promuovere la partecipazione attiva, il lavoro collaborativo e l’apprendimento pratico, mentre l’esame finale garantisce che le conoscenze essenziali siano state comprese e possano essere applicate in modo efficace.

Appendice

Il corso «Tecniche di IA: Classificazioni e Raggruppamenti» viene erogato in modalità online, il che favorisce la flessibilità nell’apprendimento e consente agli studenti di organizzare il proprio tempo in modo autonomo. Le sessioni virtuali, sia sincrone che asincrone, sono progettate per favorire l’interazione tra gli studenti e il docente, promuovendo un apprendimento attivo e collaborativo.

Materiali didattici:

Gli studenti avranno a disposizione una varietà di risorse, tra cui guide didattiche, contenuti teorici arricchiti da link e bibliografia, esercizi di autovalutazione e attività pratiche. Tutto il materiale sarà disponibile nell’aula virtuale per essere consultato in qualsiasi momento.

Durata e carico didattico:

Il corso prevede 6 crediti ECTS, distribuiti in 22 ore di lezioni virtuali e 18 ore di tutoraggio. A queste ore si aggiunge il tempo dedicato allo studio autonomo e allo svolgimento delle attività pratiche, garantendo così una formazione completa.

Supporto didattico:

Il docente sarà a disposizione per rispondere ai dubbi e fornire supporto attraverso tutoraggi settimanali e il sistema di messaggistica dell’aula virtuale. Gli studenti sono incoraggiati a utilizzare questi canali per trarre il massimo beneficio dal corso.

Bibliografia

Di base:

1.- Burger, Scott V.

Introduction to Machine Learning with R

O’Reilly. 2018.

ISBN: 9781491976449

2.- Eric Matthes

Python Crash Course (3ª ed.)

No Starch Press. 2023.

ISBN: 9781593276034

3.- Fernández-Avilés, Gema

Fondamenti di scienza dei dati con R

McGraw Hill. 2024.

ISBN: 9788448636289

4.- Lantz, Brett

Machine Learning con R (3ª ed.)

Packt Publishing Ltd. 2019.

ISBN: 9781788295864

Obiettivi

Per quanto riguarda l’acquisizione di conoscenze, il corso mira a far comprendere agli studenti i linguaggi di programmazione, le librerie e i framework chiave nell’ambito dell’intelligenza artificiale, nonché le teorie statistiche più applicate in questo campo. Ci si aspetta inoltre che siano in grado di classificare e confrontare diverse famiglie di algoritmi e di identificarne le applicazioni pratiche.

Per quanto riguarda l’acquisizione di competenze, gli studenti devono sviluppare la capacità di valutare soluzioni basate sull’intelligenza artificiale e determinarne l’efficacia. Devono inoltre essere in grado di applicare tecnologie e algoritmi per risolvere problemi specifici e di impiegare tecniche di deep learning per affrontare sfide complesse.

Per quanto riguarda i criteri di valutazione, è richiesta la partecipazione attiva a forum e dibattiti, nonché la risoluzione e la consegna di attività individuali e di gruppo. L’esame finale costituisce il 50% del voto finale.

Descrizione dei contenuti

Il corso è organizzato in sei moduli. Nel modulo sulla regressione lineare si studiano i fondamenti teorici e le applicazioni pratiche per identificare relazioni lineari ed effettuare previsioni. Nel modulo sulla regressione logistica vengono affrontate le tecniche di classificazione basate sull’assegnazione di probabilità. Il modulo sulle regressioni Random Forest introduce l’uso degli alberi decisionali per gestire dati non lineari e come combinarli per ottenere modelli più precisi e complessi. Nel modulo sul Deep Learning e sulle LSTM vengono esplorate le reti neurali e le reti ricorrenti specializzate nei dati sequenziali. Il modulo sulle reti convoluzionali si concentra sull’estrazione di caratteristiche tridimensionali e sulla loro applicazione nella visione artificiale. Infine, il modulo sull’apprendimento per rinforzo illustra le tecniche di apprendimento basate sulle ricompense per il processo decisionale sequenziale.

Sistema e criteri di valutazione

Il sistema di valutazione prevede una valutazione continua che rappresenta il 50% del voto finale e che tiene conto della partecipazione ai forum e dello svolgimento di attività pratiche individuali e di gruppo. L’altro 50% corrisponde all’esame finale. In caso di esito negativo, la sessione straordinaria consente di recuperare sia le attività che l’esame, a condizione che siano state seguite le indicazioni e sia stato ricevuto il relativo feedback.

Appendice

Si raccomanda agli studenti di tenere un diario per registrare i propri progressi e di partecipare attivamente alle lezioni virtuali, sebbene queste siano disponibili anche in formato registrato per la consultazione. I docenti sono disponibili per sessioni di tutoraggio, che possono essere richieste via e-mail o tramite la messaggistica del campus virtuale. La bibliografia suggerita comprende testi su statistica, regressione e deep learning, di autori riconosciuti in ambito accademico e professionale.

Bibliografia

Di base:

1.- David W. Hosmer, Jr., Stanley Lemeshow, Rodney X. Sturdivant

Applied Logistic Regression (3ª ed.)

Wiley. 2013.

ISBN: 9780470582473

2.- Douglas C. Montgomery, Elizabeth A. Peck, G. Geoffrey Vining

Introduction to Linear Regression Analysis

Wiley. 2006.

ISBN: 9780471754954

3.- Josh Patterson, Adam Gibson

Deep Learning: un approccio pratico

O’Reilly. 2017.

ISBN: 9781491914250

4.- Joseph M. Hilbe

Modelli di regressione logistica

CRC Press. 2009.

ISBN: 9781420075755

5.- Peter Bruce, Andrew Bruce e Peter Gedeck

Statistica pratica per la scienza dei dati

2ª ed. Marcombo. 2022.

ISBN: 9788426734433

6.- Sheldon M. Ross

Introduzione alla statistica

Reverté. 2007.

ISBN: 9788429150391

Obiettivi

Comprendere l'importanza della spiegabilità dei modelli di IA

Imparare a spiegare i modelli di IA con XAI utilizzando strumenti come SHAP o alternative.

Conoscere e comprendere le principali metriche associate ai modelli di regressione

Conoscere e comprendere le principali metriche associate ai modelli di classificazione

Comprendere lo squilibrio dei dati e conoscere le tecniche di bilanciamento

Descrizione dei contenuti

1. XAI: definizione, concetti e proprietà

2. Stabilità

3. Introduzione alle metriche dei modelli di IA

4. Metriche di prestazione dei modelli di regressione

5. Metriche di prestazione dei modelli di classificazione

6. Dati bilanciati

Sistema e criteri di valutazione

- Esame finale del corso (70% del voto).

- Esercitazione pratica (30% del voto).

Calendario

Clicca su questo link per scaricare il calendario dettagliato in formato Excel

Bibliografia

Di base:

1.- Kuhn, M. e Johnson, K.

Feature Engineering and Selection: A Practical Approach for Predictive Models

Chapman and Hall/CRC. 2019.

ISBN: 9781138079229

2.- Provost, F. e Fawcett, T.

Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking

O'Reilly Media. 2013.

ISBN: 9781449374266

Letteratura complementare:

3.- A. Barredo, N. Díaz-Rodriguez, J. Del Ser, A. Bennetot, S. Tabik, A. Barbado, S. García, S. Gil-Lopez, D. Molina, R. Benjamins, R. Chatila, F. Herrera

Intelligenza artificiale spiegabile (XAI): concetti, tassonomie, opportunità e sfide verso un'IA responsabile

Information Fusion (58) 82-115. 2020.

ISBN: 15662535

4.- Iqbal H. Sarker

Apprendimento automatico: algoritmi, applicazioni nel mondo reale e orientamenti di ricerca

SN Computer Science 2, 160. 2021.

ISBN: 2662995X