Fingerprints 4.0 Linguaggi di programmazione per il Machine learning - percorsi per la secondaria di secondo grado
Percorso Formativo (Polo Transizione digitale - Busto Arsizio - VAIS02700D)

125374

Fingerprints 4.0 Linguaggi di programmazione per il Machine learning - percorsi per la secondaria di secondo grado

Online

22/05/2023

28/06/2023

20

60

Il Percorso formativo Linguaggi di programmazione per il Machine learning: percorsi per la secondaria di secondo grado" inserito organicamente nel Progetto Fingerprints 4.0 intende indagare lo stretto rapporto processi neurali e tra una società sempre più caratterizzata da piattaforme che prevedono i nostri comportamenti e gusti, modelli machine learning e algoritmi di intelligenza artificiale, non possiamo solo limitarci ad uno studio superficiale di questi sistemi predittivi. È necessario aprire queste “scatole nere” per analizzare il loro contenuto, così da non essere solo utilizzatori passivi ma veri e propri progettisti di applicazioni intelligenti.
Per dirla con l’hacker e attivista Andrew Huang, “technology is not magic” (la tecnologia non è magia), quindi per togliere quell’alone di mistero e magia dai sistemi machine learning, in questo percorso andremo a progettare e costruire modelli di questo tipo sfruttando i linguaggi di programmazione tra i più utilizzati (e le librerie Scikit-Learn e Tensorflow). Ma non ci limiteremo solo a scrivere codice, andremo anche a studiare le principali caratteristiche matematiche di questi oggetti, così da smontarli fino all’ultimo “bullone”.
Le attività proposte e sperimentate potranno essere replicate con studenti del triennio della scuola secondaria di secondo grado. Per partecipare attivamente al corso è necessario conoscere il linguaggio di programmazione tra i più utilizzati (questo linguaggio non verrà presentato durante il corso, ma verrà dato per assodato dal formatore).

INTERO TERRITORIO NAZIONALE

Scuola secondaria II grado, Personale educativo, CPIA (Centri provinciali per l'istruzione degli adulti)

Transizione digitale

Docenti, Personale educativo

3. Pratiche di insegnamento e apprendimento

5. Valorizzazione delle potenzialita' degli studenti

6. Favorire lo sviluppo delle competenze digitali degli studenti

B2. Esperto/Intermedio/Conosce e utilizza in modo organico e proattivo

Il programma del percorso formativo è articolato in 6 moduli di 2 ore ciascuno e 8 ore di attività asincrona di approfondimento dei contenuti e preparazione di un project work.
Modulo 1 – Introduzione al tema:
- Intelligenza Artificiale, Machine Learning e Deep Learning: un mondo sconosciuto.
- Apprendimento supervisionato vs apprendimento non supervisionato.
- Classificazione vs regressione.
Modulo 2 Esplorare i dati:
- Esplorare i dati: il primo step della pipeline del machine learning.
- Problemi di regressione: esperimenti pratici con le librerie di software di programmazione (linear regression vs SGDRegressor) e dataset artificiali.
- Misurare le performance di un modello predittivo (metriche per la regressione).
Modulo 3 Esperimenti:
- Dove (e come) scaricare dataset aperti.
- Problemi di regressione: esperimenti pratici con le librerie di linguaggi di programmazione (SGDRegressor, decision tree regressor, SVR) e data set reali.
- Modelli error-based, information-based, probability-based.
Modulo 4 Modelli avanzati:
- Come risolvere problemi di data pre-processing.
- Un equilibrio sottile: bias vs variance, underfitting vs overfitting, costruire curve di apprendimento.
- Gli approcci più semplici per la costruzione di un modello supervisionato: regressione lineare e regressione logistica.
- Problemi di classificazione: esperimenti pratici con le librerie e dataset reali (semplici).
Modulo 5 Modelli avanzati pt 2:
- Altri modelli supervisionati per la classificazione.
- Problemi di classificazione: esperimenti pratici con le librerie e dataset reali (complessi).
- Misurare le performance di un modello predittivo (metriche per la classificazione).
Modulo 6 Reti neurali:
- Reti neurali artificiali: modello matematico e back propagation.
- Progettare e addestrare una rete neurale.
- Reti neurali per problemi di visione.
Al termine delle lezioni in sincrono verrà chiesto ai corsisti di elaborare e sperimentare un project work su un’attività didattica che utilizzi una delle metodologie presentate nel corso.

NICO RIZZA, LORENZO CESARETTI

26/04/2023

18/05/2023