Verranno analizzate le metodologie di progettazione di impianti software grazie alle tecniche di machine learning da cui la “macchina” apprenderà come svolgere determinati task autonomamente (senza essere programmati esplicitamente), in base all’analisi dei dati del passato. Svilupperà la capacità di utilizzare i dati raccolti dagli eventuali sistemi di sensori presenti e tutte le altre informazioni collezionabili su processi e metodi per sfruttarne al meglio il contenuto informativo. Come riconoscere particolari stati del sistema (pattern recognition), rilevare l’inizio di un trend, oppure capire se ci sono relazioni non immediatamente evidenti nei dati raccolti (se ci sono ad esempio diverse tipologie di dato). I concetti esposti trovano una naturale applicazione nel campo industriale, con una ampia rosa di possibili scopi diversificati, tra cui ottimizzazione di processi, individuazione precoce di stati di guasto o pericolo, scelte decisionali basate su pattern di dati anche molto complessi, ma anche ad esempio lo studio delle connessioni fra le scelte aziendali e le risposte del mercato, a scopo di pianificazione futura.
Apprendimento supervisionato
Apprendimento supervisionato: generalità e classificazione.
Apprendimento supervisionato: regressione.
Illustrazione di alcuni algoritmi basati su apprendimento supervisionato.
Costruzione di una rete neurale e deep learning.
Valutazione delle performances.
Apprendimento non supervisionato e laboratorio
Apprendimento non supervisionato: analisi multivariata e riduzione dimensionalità.
Data mining: illustrazione ed utilizzo di algoritmi di clustering.
Attività pratica: utilizzo di Python® con le librerie Scikit-learn e Keras.
