Conoscenze di base di statistica e conoscenze di base di informatica.

L'obiettivo principale di questo corso è fornire un'introduzione di base all'intelligenza artificiale e al machine learning. Attraverso l'introduzione di librerie Python, gli studenti acquisiranno una comprensione pratica dei metodi insegnati, in particolare realizzando le proprie implementazioni di diversi metodologie. Il corso coprirà la classificazione e regressione supervisionata basata, ad esempio, su classificatori generativi/discriminativi. Gli studenti riceveranno anche un'introduzione alle problematiche e sfide etiche legate alla ML/AI, e alle applicazioni di queste tecniche per risolvere specifici task nell'ambito finanziario (FinTech). Una parte significativa del corso sarà dedicata all'utilizzo di questi strumenti per risolvere una serie di problemi economici reali.

Gli obiettivi formativi del corso possono essere ulteriormente descritti di seguito:

CONOSCENZA E COMPRENSIONE: conoscere la teoria degli algoritmi di Intelligenza Artificiale e più nello specifico di Machine Learning

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: saper applicare librerie Python per per risolvere specifici task nell'ambito finanziario (FinTech) con l'applicaizone di algoritmi di Machine Learning.

Il corso si concentra sui fondamenti teorici, le tecniche, le metodologie e le applicazioni dell'intelligenza artificiale, al fine di contribuire alla diffusione e all'avanzamento delle conoscenze e delle competenze su questa materia e sulle sue applicazioni in ambito FinTech, promuovendo così l'innovazione tecnologica e favorendo lo sviluppo economico e sociale. In particolare, il corso tratterà i seguenti argomenti: - Introduzione alle nozioni di Intelligenza Artificiale, Big Data, Machine Learning. - Introdurre le conoscenze di base sugli algoritmi di Machine Learning. - Laboratorio Data Analysis in Python. -Laboratorio Machine Learning in Python: Introduzione all'utilizzo di librerie Python per il Machine Learning - Conoscenze di base sul quadro dell'IA etica: robustezza, interpretabilità, equità e responsabilità.

(C) Python for Data Analysis by Wes McKinney, published by O’Reilly Media, Inc. in 2022. ISBN: 9781098104030

(C) Advances in Financial Machine Learning by Marcos Lopez de Prado, published by Wiley, New Jersey in 2018. ISBN: 9781119482086

(C) Statistics - The Art & Science of Learning from Data (3rd edition – International Edition) by Agresti and C. Franklin, published by Pearson, Essex, England in 2014. ISBN: 9781292024211

(C) Pattern Recognition and Machine Learning (Information Science and Statistics) by Christopher M. Bishop, published by Springer-Verlag in 2006. ISBN: 0387310738

(C) An Introduction to Statistical Learning by Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani, published by Springer US in 2021. ISBN: 9781071614174 (Second Edition) 

N/A

• - Lezioni frontali - Esercitazioni - Slide - Project work - Seminari Utilizzo del linguaggio di programmazione open source Python, librerie Pandas e scikit-learn.

• La valutazione degli studenti consiste in due prove: - un project work, riguardante esercizi in Python sulle tematiche riportate nei contenuti del corso, da completare in gruppo (max 3 persone) o singolarmente; - una prova orale, consistente in domande di approfondimento sugli esercizi della prova scritta o su qualsiasi altro argomento trattato nel corso e riportato nei contenuti del corso. Il project work verra assegnato allo studente durante l'ultima lezione frontale oppure con esplicita richiesta via mail. Il project work potrò essere svolto in maniera remota entro una settimana dall'assegnazione. Lo studente potrà consultare il materiale didattico messo a disposizione dal docente. Il docente metterà a disposizione esempi di project work svolti negli anni precedenti. Il project work è propedeutico alla prova orale, per accedere alla quale lo studente deve aver ottenuto almeno la sufficienza nella valutazione del project work (18/30). Il docente valuterà la risoluzione del project work in merito all'implementazione dell'algoritmo di Machine Learning per analizzare uno specifico dataset. La prova orale deve essere sostenuta nello stesso appello del project work. Nel caso di esito negativo per la prova orale (votazione minore di 18/30), lo studente deve ripetere anche il project work. Il voto finale sarà calcolato attraverso la seguente media pesata: 0.7 * votazione project work + 0.3 * votazione prova orale.

  Durante il project work è posisbile consultare il materiale didattico messo a disposizione dal docente. Durante la prova orale non è possibile consultare il materiale didattico messo a disposizione dal docente.

Inglese

Italiano