Il corso ha lo scopo di fornire le nozioni di base sulle moderne tecnologie di elaborazione del linguaggio naturale. Il corso sarà articolato in tre parti:

• nella prima parte, dedicata all'introduzione e agli elementi di base dell'elaborazione automatica del linguaggio naturale, saranno offerti elementi di morfologia, sintassi, semantica formale, generazione, e traduzione automatica, sistemi di dialogo;
  
• nella seconda parte, focalizzata sulla semantica lessicale, saranno introdotti alcuni paradigmi di rappresentazione della conoscenza, le nozioni di conceptual anchoring, e alcune risorse e approcci per la rappresentazione concettuale;
  
• nella terza parte, orientata agli approcci statistici, verrà affrontato il concetto della semantica distribuzionale e le relative metodologie esistenti. Sarà approfondito il tema della similarità semantica e le basi teoriche per la costruzione del significato attraverso composizioni sintattico-semantiche, con cenni alla costruzione automatica di ontologie.

L'insegnamento si propone di fornire allo studente dei metodi per la creazione di strumenti di supporto alle decisioni nelle attività, imprenditoriali e non, pubbliche e private integrando modelli e metodi di analisi what-if (simulazione) e what-best (ottimizzazione).

Scheda completa su CampusNet: link.

Il corso copre le basi per comprendere e affrontare i problemi dell'Apprendimento Automatico e del Data Mining e più in generale le problematiche relative al processo di estrazione della conoscenza da basi di dati (KDD).

Oltre all'esposizione delle principali tematiche che caratterizzano l'apprendimento automatico (classificazione, clustering, estrazione di pattern ricorrenti) si vuole fornire allo studente una base di conoscenza di statistica e di teoria dell'informazione necessari per capire e utilizzare i fondamenti teorici di questi approcci.

Inoltre, si vogliono proporre alcune tecniche per affrontare l'analisi dei dati su grandi volumi di dati, quali le tecniche di pre-processing (pulizia dei dati, il campionamento, selezione delle dimensioni) e la validazione sui dati dei risultati dell'analisi e la loro interpretazione.

Infine si vuole proporre allo studente un ambiente di programmazione e analisi dati. Si utilizzerà Sci-kit Learn in Python e si proporranno alcune esperienze pratiche di analisi dataset pubblici e reali (UCI). 

This course covers the fundamentals to understand and tackle the problems of Machine Learning and Data Mining.

In general, it treats the tasks and the steps of the Knowledge Discovery Process from Data (KDD).

Beyond the main topics that characterize Machine Learning (classification, clustering, pattern discovery) we wish to provide a base knowledge of statistics and information theory, which are needed to understand the theoretical foundations of these approaches.

Furthermore, we wish to illustrate some techniques to afford the data analysis on big data, such as for the pre-processing steps  (data cleaning, sampling, feature selection) and the evaluation of the analysis results and their interpretation of data.

Finally, we wish to use a programming and data science environment. We will use Sci-kit Learn in Python and we will propose some practical experience in data analysis on public and real datasets (UCI).