È consigliata una conoscenza di base di statistica e di informatica.

Il corso si propone di fornire un’introduzione solida, sia teorica che applicativa, all’Intelligenza Artificiale e al Machine Learning, con particolare riferimento alle applicazioni nel settore finanziario (FinTech). Gli studenti acquisiranno una comprensione dei fondamenti degli algoritmi di apprendimento supervisionato (es. classificazione e regressione) e ne sperimenteranno l’implementazione pratica tramite l’uso di librerie Python.

Il corso mira a sviluppare la capacità di affrontare problemi concreti in ambito economico-finanziario utilizzando tecniche di intelligenza artificiale.

Una parte rilevante dell’insegnamento sarà dedicata all’applicazione pratica dei metodi trattati su dataset reali, con particolare attenzione alla risoluzione di problemi reali in ambito FinTech.

Conoscenza e comprensione:

• Conoscere i fondamenti teorici dell’Intelligenza Artificiale e, in particolare, del Machine Learning.
• Comprendere le principali metodologie di classificazione e regressione supervisionata.
• Conosce la libreria Python scikit-learn per l'implementazioni di modelli di Machine Learning supervisionati.

Capacità di applicare conoscenza e comprensione:

• Saper utilizzare strumenti e librerie Python per l’analisi dei dati e la costruzione di modelli di apprendimento automatico supervisionati.
• Saper progettare e implementare soluzioni basate su tecniche di Machine Learning supervisionato per affrontare specifici problemi nel contesto FinTech.
• Essere in grado di valutare le prestazioni dei modelli supervisionati, interpretarne i risultati e discutere le implicazioni pratiche delle soluzioni proposte.

Il corso ha l’obiettivo di fornire agli studenti una solida preparazione teorico-pratica sui principi, le tecniche e le applicazioni dell’Intelligenza Artificiale (IA), con un focus sul settore FinTech. L’insegnamento mira a sviluppare competenze analitiche e operative nell’ambito dell’apprendimento automatico supervisionato (Machine Learning supervisionato) e dell’analisi dei dati, favorendo l’autonomia nell’uso di strumenti e librerie Python per la modellazione e la valutazione di modelli di Machine Learning supervisionati.

In particolare, il corso affronterà i seguenti argomenti:

• Introduzione ai concetti fondamentali di Intelligenza Artificiale, Machine Learning e Deep Learning.
• Descrizione dei principali task di apprendimento supervisionato e non supervisionato.
• Tecniche di divisione del dataset: training, validation, test.
• Valutazione delle performance nei modelli di Machine Learning supervisionati: metriche e strategie di validazione.
• Distinzione tra parametri e iperparametri nei modelli di Machine Learning supervisionati.
• Principi di generalizzazione, overfitting e underfitting.
• Laboratorio di Machine Learning in Python: introduzione all’utilizzo della libreria scikit-learn per la creazione, l’addestramento e la valutazione di modelli predittivi supervisionati.
• Applicazione di algoritmi di Machine Learning supervisionati a dataset reali, con particolare attenzione a scenari e problematiche tipiche del settore FinTech.

(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 al PC con codice Python
  • Project Work

  
  

  Materiali del corso

  • Slide
  • Esercizi Risolti (Codice Python)
  • Esempi di Project Work

  
  

• La verifica dell’apprendimento si basa su una prova scritta sotto forma di Project Work, che potrà essere svolta in gruppi di massimo 3 studenti.

  
  

  Organizzazione e modalità operative

  
  

  • Il Project Work consisterà nello sviluppo di un progetto di Machine Learning in linguaggio Python, utilizzando librerie appropriate per l’analisi di un dataset reale nel dominio FinTech.
  • Gli studenti dovranno: (1) consegnare il codice implementato; (2) preparare una presentazione tecnica che illustri il lavoro svolto; (3) eseguire il codice e discutere criticamente i risultati durante la presentazione.

  
  

  Tempistiche

  
  

  • Il Project Work sarà assegnato durante l’ultima settimana di lezione per gli studenti frequentanti che intendono sostenere l’esame nel primo appello.
  • Gli studenti non frequentanti, o coloro che intendono sostenere l’esame in appelli successivi, dovranno contattare il docente via e-mail almeno una settimana prima dell’appello, per ricevere il Project Work da svolgere.

  
  

  Supporti consentiti

  • Durante lo svolgimento del Project Work è consentito l’uso di materiali didattici messi a disposizione dal docente (esercitazioni, esempi di codice).
  • Gli studenti potranno anche avvalersi, in modo responsabile e trasparente, del supporto di strumenti basati su intelligenza artificiale generativa come ChatGPT, Gemini, Copilot e simili.
  • Tuttavia, durante la presentazione finale, il docente valuterà attivamente il livello di comprensione individuale di ciascun partecipante, per accertare l’effettiva acquisizione delle conoscenze e competenze.

  
  

  
  

  Criteri di valutazione

  Il docente valuterà:

  • la completezza e la correttezza del codice rispetto ai task richiesti;
  • la chiarezza espositiva e la struttura della presentazione;
  • la capacità di ciascun componente del gruppo di discutere il progetto e di dimostrare le competenze acquisite.

  
  

  L’esame si considera superato con un punteggio minimo di 18/30 attribuito alla valutazione complessiva del Project Work.

Inglese

Italiano