AI Lab

Introduzione AI Lab

AI Lab

AI LAB

In questo corso, l'AI Lab introduce gli studenti alla costruzione e alla valutazione di modelli predittivi attraverso un approccio pratico e sperimentale. Gli argomenti si sviluppano progressivamente, dalla classificazione supervisionata fino all’ottimizzazione dei modelli tramite tecniche avanzate di validazione e tuning degli iperparametri.
L’obiettivo è comprendere il funzionamento interno degli algoritmi e saperli applicare in modo consapevole, come veri tecnici dei dati.

Nel corso dell’anno gli studenti imparano a:

• Applicare i concetti fondamentali del Machine Learning, distinguendo tra supervised e unsupervised learning, e comprendendo il ruolo di feature, target e dataset;

• Costruire classificatori supervisionati come il K-Nearest Neighbors (KNN), addestrandoli su dataset reali per prevedere etichette non viste;

• Valutare le prestazioni di un modello utilizzando metriche come accuracy, precision, recall e F1-score, interpretando la confusion matrix e riconoscendo fenomeni di overfitting e underfitting;

• Implementare modelli di regressione lineare e regolarizzata (Ridge e Lasso) per stimare relazioni quantitative e selezionare automaticamente le feature più significative;

• Utilizzare la regressione logistica per la classificazione binaria, analizzando probabilità, ROC curve e AUC per misurare la capacità discriminativa del modello;

• Applicare la cross-validation per ottenere valutazioni più robuste e indipendenti dal singolo train/test split;

• Svolgere l’hyperparameter tuning con GridSearchCV e RandomizedSearchCV, ottimizzando parametri chiave come k, alpha o C e confrontando le performance dei modelli.

Tutte le attività vengono realizzate con la libreria scikit-learn (sklearn), standard industriale per il Machine Learning in Python. Ogni lezione combina teoria, codice eseguibile e visualizzazioni grafiche (curve di accuratezza, regressioni, ROC), permettendo di sperimentare concretamente il comportamento dei modelli.

Le esercitazioni finali richiedono di analizzare dati reali, selezionare gli algoritmi più adatti e giustificare le scelte sulla base delle metriche ottenute. In questo modo lo studente impara a pensare come un data analyst o ML engineer, sviluppando un metodo di lavoro basato su ipotesi, verifica sperimentale e interpretazione critica dei risultati.

AI Lab

Demo AI Lab

Ogni lezione del corso AI Lab è strutturata per offrire un apprendimento completo, pratico e progressivo, articolato in cinque componenti fondamentali:

1. Video introduttivo (60 secondi)
   La lezione si apre con un breve video di presentazione che introduce il tema in modo coinvolgente e visuale, utile per inquadrare il contesto e stimolare la curiosità dello studente.

2. Parte teorica (slide + testo HTML)
   I concetti chiave vengono spiegati attraverso una sequenza di slide illustrate affiancate da un testo descrittivo e approfondito, consultabile direttamente su Moodle. L’approccio è tecnico ma accessibile, e spesso collegato agli scenari reali affrontati nel laboratorio.

3. Glossario tecnico integrato
   Ogni lezione è accompagnata da un glossario interattivo che raccoglie e spiega i termini più rilevanti, per aiutare lo studente a familiarizzare con il linguaggio professionale del networking.

4. Quiz a risposta multipla
   Dopo la teoria, è previsto un questionario interattivo per verificare la comprensione e stimolare il ragionamento sui concetti appresi.

5. Esercitazione pratica (slide + testo guidato)
   La parte operativa si svolge nel laboratorio AI Lab utilizzando casi reali.
   L’esercitazione è descritta in slide illustrate accompagnate da istruzioni testuali dettagliate, e si conclude con un obiettivo verificabile.
   L’approccio è fortemente pratico e orientato alla risoluzione di problemi simili a quelli che si affrontano nel mondo del lavoro.