Questo corso copre i fondamenti di tecniche di analisi dei dati e di Machine Learning per il monitoraggio e la gestione di città e sistemi di trasporto intelligenti. Dopo una panoramica sul Machine Learning, saranno trattati i fondamenti di alcuni approcci di apprendimento supervisionato, nell’ottica di utilizzarli per identificare un modello predittivo. Infine, si mostreranno esempi simulativi su dati reali. Nel dettaglio, il corso è organizzato come segue:
Panoramica sul machine learning: supervised ML, unsupervised ML e reinforcement learning; raccolta e pre-processamento dati; tecniche e metriche di validazione. Fondamenti di modelli e tecniche di supervised machine learning: Least Squares, stochastic gradient descent; Regression trees, Random forests. Esercitazione su dati reali.
L’obiettivo di questo Corso è fornire le seguenti conoscenze e competenze: i) motivazioni, definizioni e tecniche a livello base per l’acquisizione e la manipolazione di dati provenienti da città e sistemi di trasporto intelligenti; ii) tecniche a livello base di Machine Learning per derivare, sulla base dei dati di cui al punto precedente, modelli predittivi dei sistemi di cui sopra; iii) esempi a livello base di utilizzo di tali modelli. Al completamento con successo di questo modulo, lo studente dovrebbe essere in grado di scegliere una tecnica adatta a costruire un modello predittivo nel contesto delle città e sistemi di trasporto intelligenti.