Machine Learning

MACHINE LEARNING (e Intelligenza Artificiale nelle STEM)

Obiettivo generale: Fornire ai docenti di materie scientifiche una comprensione avanzata delle tecnologie di machine learning e intelligenza artificiale, con strumenti pratici per applicarle alla didattica.

Formatore: Umberto Cocchi (consulente informatico e cybersecurity, data scientist e libero docente)

Calendario (10h):

  • Lunedì 24/03/14:30-17:30
  • Mercoled' 26/03/14:30-17:30
  • Giovedì 27/03/14:30-16:30
  • Venerdì 28/03/14:30-16:30

Il percorso, della durata di 10 ore ed articolato in 4 incontri in presenza, richiede un numero minimo di 18 partecipanti.

Per iscriversi al corso:

  • Entro il 17/03/2025, collegarsi a https://scuolafutura.pubblica.istruzione.it/ 
  • Accedere alla piattaforma con il proprio SPID
  • Cercare il corso ID 339641
  • Cliccare su “Candidati” (l’effettiva iscrizione al corso sarà confermata successivamente).

Candidandosi, i docenti si impegnano a frequentare almeno il 70% delle 10 ore previste (7).

Programma:

Lezione 1: Introduzione avanzata al Machine Learning e all’Intelligenza Artificiale (3 ore)
Obiettivo: Comprendere i fondamenti teorici del ML, i suoi algoritmi principali e le implicazioni per l'educazione.

  • 1.1 Panoramica del Machine Learning
  • Differenze tra ML, AI e Deep Learning.
  • Tipologie di ML: supervisionato, non supervisionato, apprendimento per rinforzo.

1.2 Algoritmi principali

  • Regressione lineare e logistica.
  • Alberi decisionali e random forest.
  • Reti neurali di base e deep learning.

1.3 Applicazioni nel contesto scientifico

  • Analisi dei dati scientifici.
  • Modellizzazione e predizione.

1.4 Dimostrazione pratica

  • Introduzione a strumenti di ML accessibili (es. Google Colab, Scikit-learn).
  • Implementazione di un semplice modello di regressione o classificazione.



Lezione 2: Strumenti avanzati e applicazioni pratiche nelle STEM (3 ore)
Obiettivo: Esplorare strumenti avanzati e sviluppare competenze pratiche per integrare l’IA nelle attività scientifiche.

  • 2.1 Utilizzo di piattaforme di calcolo e simulazione
  • Panoramica su Python per l'analisi dei dati e il ML (librerie come Pandas, NumPy, Matplotlib).
  • Introduzione a TensorFlow e PyTorch per il deep learning.

2.2 Applicazioni didattiche nelle STEM

  • Creazione di modelli predittivi per problemi scientifici (es. analisi climatica, dinamica di popolazioni, simulazioni fisiche).
  • Visualizzazione dei dati e storytelling scientifico con l’IA.

2.3 Esercitazione pratica avanzata

  • Progettazione di un esperimento scientifico utilizzando l’IA.
  • Analisi dei risultati e discussione.



Lezione 3: Etica, criticità e frontiere del Machine Learning nelle STEM (2 ore)
Obiettivo: Analizzare i limiti etici, tecnici e applicativi del ML nel contesto scientifico e educativo.

  • 3.1 Questioni etiche e implicazioni
  • Rischi di bias nei modelli e loro impatti sulle conclusioni scientifiche.
  • Utilizzo responsabile dell’IA nella scienza e nell’educazione.

3.2 Criticità tecniche

  • Overfitting e underfitting nei modelli scientifici.
  • Importanza della qualità dei dati.

3.3 Frontiere della ricerca scientifica con il ML

  • Applicazioni emergenti del ML nella biologia, fisica e chimica.
  • L’IA nella robotica e nell’analisi di big data scientifici.

3.4 Discussione di gruppo

  • Confronto sui casi d’uso etici e tecnici presentati.



Lezione 4: Progettazione e valutazione di attività STEM con il Machine Learning (2 ore)
Obiettivo: Fornire strumenti pratici per integrare il ML in attività didattiche STEM e valutarne l’efficacia.

  • 4.1 Progettazione di attività con ML
  • Strutturare un’attività STEM basata sul ML (es. predizione di fenomeni naturali, classificazione di immagini scientifiche).
  • Adattamento delle attività per diversi livelli scolastici.

4.2 Valutazione dell’efficacia didattica

  • Strumenti per valutare l’apprendimento degli studenti attraverso progetti di ML.
  • Valutazione critica dell’impatto dell’IA sulla comprensione dei fenomeni scientifici.

4.3 Lavoro di gruppo finale

  • Progettazione collaborativa di un’attività STEM con ML.
  • Presentazione e feedback.



Materiali di supporto

  • Slide esplicative.
  • Casi di studio e materiali di approfondimento.
  • Esempi di dataset scientifici utilizzabili.
  • Risorse di approfondimento.

Modalità didattica

  • Approccio misto teorico-pratico, con esercitazioni su computer.
  • Spazi per la discussione e il confronto su casi d’uso reali.

Per informazioni: dm66@boscardin.edu.it