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