Salta ai contenuti
Manuale Libero di Informatica

Machine Learning e Reti Neurali

Questo modulo è dedicato allo studio del Machine Learning (Apprendimento Automatico) e delle Reti Neurali. Si tratta di una delle branche più rilevanti e in rapida espansione dell’Informatica moderna, che costituisce le fondamenta dei sistemi di Intelligenza Artificiale con cui interagiamo quotidianamente.

Presentazione Generale

Il Machine Learning è un sottoinsieme dell’Intelligenza Artificiale (AI) che si concentra sulla creazione di sistemi in grado di imparare e migliorare le proprie prestazioni basandosi sui dati, senza essere esplicitamente programmati per ogni singola azione. Invece di scrivere regole rigide del tipo se succede A, fai B, forniamo al computer moltissimi esempi (i dati) e un algoritmo che gli permette di “scoprire” da solo le regole e i pattern nascosti.

Le Reti Neurali, ispirate alla struttura del cervello umano, sono uno degli strumenti più potenti e versatili all’interno del Machine Learning. Sono capaci di risolvere problemi estremamente complessi come il riconoscimento vocale, la traduzione automatica, l’analisi di immagini mediche e la generazione di testi.

Perché studiarlo?

Oggi viviamo nell’era dei dati e dell’Intelligenza Artificiale. Studiare il Machine Learning non significa solo imparare una nuova tecnologia, ma comprendere il motore che guida le innovazioni del nostro tempo:

  • È ovunque: Dalle raccomandazioni di Netflix o TikTok, agli assistenti vocali, fino alle auto a guida autonoma e ai sistemi come ChatGPT.
  • Risolve problemi complessi: Permette di affrontare sfide che la programmazione tradizionale (basata su un elenco rigido di istruzioni) fatica a gestire, come interpretare il linguaggio naturale o riconoscere un volto in una foto.
  • Sviluppa un nuovo modo di pensare: Costringe a ragionare in termini di probabilità, tendenze, ottimizzazione e qualità delle informazioni (dati).
  • Competenza chiave: È una delle competenze più richieste, trasversali e stimolanti nel mondo accademico e lavorativo.

Obiettivi del Modulo

Al termine di questo percorso sarai in grado di:

  1. Comprendere i concetti fondamentali dell’Apprendimento Automatico e il ruolo cruciale dei dati.
  2. Distinguere le principali tipologie di problemi (es. Classificazione vs Regressione).
  3. Conoscere il funzionamento logico e matematico di alcuni algoritmi classici, come gli Alberi di Decisione.
  4. Capire l’architettura base di un Percettore e di una semplice Rete Neurale.
  5. Applicare concretamente questi concetti scrivendo codice reale in Python durante le lezioni di laboratorio.

Breve Scaletta

Il modulo è strutturato in quattro parti principali. Ognuna è corredata da spiegazioni teoriche, esercizi di verifica e un laboratorio pratico:

  1. Introduzione e Dati: Cos’è il Machine Learning, le tipologie di apprendimento (supervisionato, non supervisionato) e l’importanza cruciale della preparazione dei dataset.
  2. Regressione, Classificazione e Valutazione: Come i modelli imparano a prevedere valori numerici continui o a categorizzare i dati, e come ne misuriamo le prestazioni per capire se hanno “imparato” bene.
  3. Alberi di Decisione e Random Forest: Un approccio molto intuitivo basato su regole decisionali a cascata, e come combinare le decisioni di più “alberi” (Random Forest) per ottenere risultati superiori.
  4. Il Percettore e Reti Neurali: I fondamenti del Deep Learning: dal singolo neurone artificiale (il percettore) fino alle reti composte da strati intermedi (hidden layers).