CAS Big Data Analytics e Machine Learning

Modulo 1: Introduzione all'intelligenza artificiale (IA) (4 ore-lezione)
- Definizione di intelligenza artificiale e sistemi intelligenti.
- Storia dell'IA e sviluppi recenti.
- Approcci simbolici vs approcci di apprendimento automatico

Modulo 2: Strumenti e framework per lo sviluppo di sistemi intelligenti (8 ore-lezione)
- Linguaggi di programmazione come Python e librerie specializzate per l’apprendimento automatico (TensorFlow, PyTorch, scikit-learn, etc.)
- Strumenti Python per la gestione dei dati e l'analisi (pandas, numpy)

Modulo 3: Data mining (24 ore-lezione)
- Introduzione al data mining
- Visualizzazione dei dati e utilizzo di librerie Python specializzate (es., matplotlib)
- Statistiche descrittive (media, varianza, z-score, istogrammi, etc.)
- Preparazione dei dati (gestione dati mancanti, normalizzazione, gestione outliers, etc.)
- Analisi multivariata

Modulo 4: Machine Learning (36 ore-lezione)
- Concetti di base di apprendimento supervisionato e non supervisionato, classificazione, regressione, clusterizzazione.
- Algoritmi di apprendimento automatico supervisionato: regressione lineare, ensemble, alberi decisionali, reti neurali feedforward e ricorrenti, transformers, etc.
- Tecniche di selezione di features
- Algoritmi di apprendimento automatico non supervisionato: k-means, clustering gerarchico, autoencoders, etc.
- Tecniche di valutazione delle prestazioni dei modelli (metriche di valutazione, cross-validazione)

Modulo 5: Tecnologie per i Big Data (20 ore)
- Hadoop Distributed File System (HDFS)
- Hadoop MapReduce
- Apache Spark
- Spark cluster manager
- Stream e event processing
- Data visualisation Tools

Modulo 6: Predizione di serie temporali (24 ore-lezione)
- Cosa sono le serie temporali?
- Visualizzazione e Analisi di serie temporali
- Autocorrelazione
- Stazionarietà
- Modelli in spazio di stato e autoregressivi per la predizione
- Predizione con livellamento esponenziale
- Incertezza delle previsioni

Modulo 7: Piattaforme cloud per Analytics e Machine Learning (12 ore)
- Piattaforme cloud per l'addestramento e il deployment dei modelli.


Modulo 8: Deep Learning (20 ore-lezione)
- Architetture neurali profonde per classificazione e regressione.
- Algoritmi di ottimizzazione per l’apprendimento di reti neurali
- Recurrent Neural Networks (RNN) per l'elaborazione del linguaggio naturale e delle serie temporali.
- Autoencoders per identificazione di guasti e anomalie
- Tecniche di regolarizzazione (Lasso, ridge, dropout, early stopping, etc.)
- Migliori pratiche nel deep learning