PROGRAMMAZIONE PYTHON CON FONDAMENTI DI DATA SCIENCE E INTELLIGENZA ARTIFICIALE

Docente responsabile

PIETRO PINOLI

CCS proponenti

Ingegneria Biomedica

CFU

1

Ore in presenza

19

Prerequisiti

None

N° max studenti

50

Criteri di selezione

Order of application

Parole chiave:

Artificial Intelligence, Machine Learning, PYTHON, data science

Tag

Computer science, Artificial intelligence, Software, Health and lifescience

Descrizione dell'iniziativa

Struttura del corso

• Prerequisiti – Installazione software
  Guida preliminare per l'installazione del software necessario.
• Lezione 1 – Introduzione e ambiente di sviluppo
  • Configurazione (WSL, UNIX-like).
  • Terminale: pacchetti, comandi base, esercizi.
  • VS Code: setup.
  • Python: filosofia, interprete, Zen of Python.
• Lezione 2 – Tipi di dati e controllo del flusso
  • Dati base: bool, int, float, stringhe.
  • Condizioni (if/elif/else).
  • Liste e cicli (for, range).
  • Esercizi pratici.
• Lezione 3 – Strutture dati complesse e funzioni
  • Matrici con liste annidate.
  • Cicli for avanzati, while.
  • Funzioni (parametri, default, mutabili).
  • Dizionari, tuple, set.
  • Esercizi su matrici e gestione dati.
• Lezione 4 – Ambienti virtuali, Jupyter, classi e NumPy
  • Ambienti virtuali con venv.
  • Jupyter Notebook.
  • Funzioni avanzate (*args, **kwargs, lambda).
  • Classi: __init__, metodi, istanze.
  • Concetto di iteratori.
  • NumPy: array, operazioni base, slicing.
• Lezione 5 – Iteratori avanzati, ereditarietà ed error handling
  • Generatori (yield), map, filter, zip.
  • Ereditarietà e super().
  • Gestione file.
  • Error handling: try/except/finally, assert, eccezioni.
• Lezione 6 – OOP avanzata, Pandas, NumPy avanzato e Matplotlib
  • Esercizi di OOP con gerarchie di classi.
  • Pandas: import, pulizia, join, aggregazione.
  • NumPy avanzato: dtype, broadcasting, masking, concatenazioni.
  • Matplotlib: figure, axes, grafici multipli, personalizzazione.
• Lezione 7 – PyTorch e Deep Learning (3h)
  • Fondamenti di Deep Learning: neuroni, perceptron, backpropagation, gradient descent.
  • PyTorch/Torchvision: installazione, dataset (CIFAR-10), DataLoader.
  • Definizione CNN (Conv2d, Pooling, Linear).
  • Training: loss, ottimizzatori, ciclo epoche, salvataggio modello.
  • Cenni su GPU.
  • Progetti pratici
    • Applicazioni reali (web, automazioni, report).
    • Progetti di AI: classificazione immagini, segmentazione U-Net, reinforcement learning.
• Lezione 8 – Git/GitHub
  • Supporto ai progetti.
  • Mini tutorial Git/GitHub: init, add, commit, push, README.md
• Lezione 9: Presentazione Progetti e Chiusura Corso
  • Presentazione dei progetti finali.
  • Valutazione dei progetti e riconoscimenti.
  • Consegna del progetto come requisito per l’attestato.
  • Riflessioni finali e risorse per l’apprendimento continuo.
  • Conclusioni e raccolta di feedback sul corso.

Periodo di svolgimento

dal October 2025 a December 2025

Calendario

06/10/2025 - Lun - 17:30 - 19:30
08/10/2025 - Mer - 17:30 - 19:30
13/10/2025 - Lun - 17:30 - 19:30
22/10/2025 - Mer - 17:30 - 19:30
12/11/2025 - Mer - 17:30 - 19:30
19/11/2025 - Mer - 16:30 - 19:30
26/11/2025 - Mer - 17:30 - 19:30
03/12/2025 - Mer - 17:30 - 19:30

Note

The course will be taught by the student Andrea Tosi, under the supervision of Prof. Pietro Pinoli. This course is part of the training initiatives of the Biomedical Engineering Association (BEA).