- Oggetto:
- Oggetto:
Laboratorio di semiotica per le scritture digitali e i Big Data
- Oggetto:
Semiotics for Digital Writing and Big Data (Laboratory)
- Oggetto:
Anno accademico 2023/2024
- Codice attività didattica
- FIL0442
- Docente
- Lia Morra (Titolare del corso)
- Corso di studio
- laurea magistrale in Comunicazione e Culture dei media
- Anno
- 2° anno
- Periodo
- Primo semestre
- Tipologia
- Altre attività
- Crediti/Valenza
- 6
- SSD attività didattica
- NN/00 - nessun settore scientifico
- Erogazione
- Tradizionale
- Lingua
- Italiano
- Frequenza
- Obbligatoria
- Tipologia esame
- Prova pratica
- Prerequisiti
-
Non vi sono prerequisiti specifici. La conoscenza di base del linguaggio Python consentirà una migliore comprensione degli argomenti trattati, ma non è richiesta per frequentare il laboratorio. Per le attività pratiche verranno presentati anche strumenti cosiddetti “no code”, ovvero che non richiedano competenze specifiche di programmazione.
There are no specific prerequisites. A basic knowledge of the Python language will allow a better understanding of the topics covered, but it is not required to attend the laboratory. For practical activities, so-called "no code" tools will also be presented, i.e. those that do not require specific programming skills.
- Oggetto:
Sommario insegnamento
- Oggetto:
Obiettivi formativi
La diffusione di strumenti di big data analytics e intelligenza artificiale in ogni ambito della società civile impone una riflessione su come queste tecnologie possano dialogare con le discipline umanistiche. Il laboratorio intende in particolare approfondire come le tecnologie di apprendimento automatico possano essere combinate con gli strumenti offerti dalla semiotica per analizzare ed interpretare testi, immagini e video, e stimolare una riflessione sull’applicazione di metodi informatico-quantitativi nelle discipline umanistiche. A tal fine, il laboratorio fornirà a studentesse e studenti rudimenti teorici sul funzionamento di tecnologie come big data analytics, machine learning e deep learning, e strumenti per la loro applicazione pratica. Attraverso analisi di casi di studio e attività laboratoriali, si svilupperà una maggiore comprensione e un punto di vista critico sulle potenzialità offerte da questi strumenti, ma anche sulle criticità che comportano.
The diffusion of big data analytics and artificial intelligence tools in every sector of the civil society requires a reflection on how these technologies can dialogue with the humanities. The laboratory intends in particular to deepen how machine learning technologies can be combined semiotics to analyze and interpret texts, images and videos, and stimulate a reflection on the application of digital quantitative methods in the humanities. To this end, the laboratory will provide students with theoretical basics on technologies such as big data analytics, machine learning and deep learning, and tools for their practical application. Through analysis of case studies and laboratory activities, a greater understanding and a critical point of view will be developed on the potentialities offered by these tools, but also on the critical issues they entail.
- Oggetto:
Risultati dell'apprendimento attesi
La studentessa/lo studente sarà in grado di:
- Identificare le tecnologie fondamentali per l’analisi dei big data
- Conoscere i principi fondamentali dell’intelligenza artificiale e delle reti neurali profonde
- Conoscere le principali tecniche di classificazione disponibili in relazione ai diversi tipi di dati prodotte nell’ambito delle culture digitali
- Sviluppare semplici strumenti di classificazione per l’analisi di immagini
- Analizzare in maniera critica vantaggi e svantaggi delle di machine learning applicate all’analisi dei media
- Comunicare e dialogare efficacemente in un contesto multi-disciplinare
The student will be able to:
- Identify key technologies for big data analytics
- Know the fundamentals of artificial intelligence and deep neural networks
- Know the main classification techniques available in relation to the different types of data produced in the context of digital cultures
- Develop simple classification tools for image analysis
- Critically analyze the advantages and disadvantages of machine learning applied to media analysis
- Communicate and dialogue effectively in a multi-disciplinary context
- Oggetto:
Programma
- Introduzione ai big data analytics, al machine learning e all’intelligenza artificiale
- Reti neurali profonde per la classificazione di immagini e testo
- Addestramento e valutazione di un classificatore: tecniche e strumenti per l’etichettatura dei dati, metriche di performance.
- Tecniche e strumenti per l’addestramento di classificatori. Esercitazione di laboratorio
- Visualizzazione dei dati: tecniche e strumenti. Esercitazione di laboratorio
- Analisi e discussione di casi di studio
- Sviluppo di un progetto in laboratorio
- Introduction to big data analytics, machine learning, and artificial intelligence
- Deep neural networks for image and text classification
- Training and evaluation of a classifier: techniques and tools for data labeling, performance metrics.
- Techniques and tools for the training of classifiers. Laboratory exercise
- Data visualization: techniques and tools. Laboratory exercise
- Analysis and discussion of case studies
- Development of a project in the laboratory
- Oggetto:
Modalità di insegnamento
Il laboratorio sarà strutturato in lezioni frontali e analisi di applicazioni casi di studio (indicativamente metà del corso) e attività pratiche in laboratorio informatico.
Nelle lezioni frontali verranno forniti le conoscenze essenziali per comprendere le tecnologie utlizzate e gli strumenti informatici. Verranno inoltre presentate e discusse applicazioni di tecniche di machine learning e analisi di immagini per l’analisi di corpus di immagini e testo.
Nelle attività di laboratorio, verranno applicate le conoscenze apprese in attività pratiche. Studentesse e studenti collaboreranno ad un progetto, svolto individualmente o in piccoli gruppi, tra quelli proposti dal docente. A titolo di esempio, potrà essere richiesto di etichettare un corpus di immagini con metodo semiotico al fine di addestrare una rete neurale.
The laboratory will be structured in lectures and analysis of applications case studies (indicatively half of the course) and practical activities in the computer lab.
In the lectures the essential knowledge will be provided to understand the technologies used and the IT tools. Applications of machine learning and image analysis techniques for the analysis of images and text will also be presented and discussed.
In laboratory activities, the knowledge gained will be applied to case studies. Students will collaborate in a project, carried out individually or in small groups, among those proposed by the teacher. For example, it may be required to label a corpus of images with a semiotic method in order to train a neural network.
- Oggetto:
Modalità di verifica dell'apprendimento
L’esame consisterà nella consegna e discussione del progetto di gruppo assegnato durante il laboratorio.
The exam will consist of the delivery and discussion of the group project assigned during the laboratory.
- Oggetto:
Attività di supporto
Si invitano gli studenti e le studentesse con DSA o disabilità a prendere visione delle modalità di supporto (https://www.unito.it/servizi/lo-studio/studenti-con-disabilita) e di accoglienza (https://www.unito.it/accoglienza-studenti-con-disabilita-e-dsa) di Ateneo, ed in particolare delle procedure necessarie per il supporto in sede d’esame (https://www.unito.it/servizi/lo-studio/studenti-e-studentesse-con-disabilita/supporto-studenti-e-studentesse-con)
Studenti e studentesse con DSA sono pregati/e di informare il docente all’inizio del corso, per concordare un percorso di apprendimento personale adatto alle loro esigenze, anche al di là delle misure compensative e dispensative previste per l'esame.Students with DSA or disabilities are invited to read the methods of support (https://www.unito.it/servizi/lo-studio/studenti-con-disabilita) and reception (https://www.unito.it/accoglienza-studenti-con-disabilita-e-dsa) of the University, and in particular the procedures necessary for support during the exam (https://www.unito.it/servizi/lo-studio/studenti-e-studentesse-con-disabilita/supporto-studenti-e-studentesse-con)
Students with DSA are asked to inform the teacher at the beginning of the course, to agree on a personal learning path suitable for their needs, even beyond the compensatory and dispensative measures provided for the exam.Testi consigliati e bibliografia
- Oggetto:
Il materiale didattico utilizzato dal docente (slide, manuali, articoli, etc.) sarà reso disponibile durante il corso. Di seguito sono inoltre suggeriti alcuni testi per possibili approfondimenti.
Vahid Mirjalili e Sebastian Raschka, Machine learning con Python. Costruire algoritmi per generare conoscenza, Apogeo, 2020.
Francois Chollet e Paolo Poli, Deep Learning con Python, Apogeo, 2020
The teaching material used by the teacher (slides, manuals, articles, etc.) will be made available during the course. Additional textbooks are suggested below:
Vahid Mirjalili and Sebastian Raschka, Machine learning with Python. Building algorithms to generate knowledge, Apogeo, 2020.
Francois Chollet and Paolo Poli, Deep Learning with Python, Apogeo, 2020
- Oggetto:
Note
- Registrazione
- Chiusa
- Apertura registrazione
- 01/09/2023 alle ore 00:00
- Chiusura registrazione
- 30/11/2023 alle ore 00:00
- N° massimo di studenti
- 50 (Raggiunto questo numero di studenti registrati non sarà più possibile registrarsi a questo insegnamento!)
- Oggetto:
