Machine Learning library for the MAST summer school

How to install

Download and install Mind+ Desktop app.

Input the project URL: https://github.com/lozingaro/MAST_learn in the interface to import this library.

Proposta Attività Didattiche Hands-On per la Scuola Estiva su IoT e AI

Hands-On 1: Introduzione al Machine Learning

Insegnare agli studenti le basi del machine learning, con una spiegazione dei diversi tipi di apprendimento automatico e un focus sull'apprendimento supervisionato tramite attività di laboratorio.

1. Introduzione al Machine Learning:

   • Spiegazione dei diversi tipi di apprendimento automatico: supervisionato, non supervisionato e di rinforzo.
   • Focus sull'apprendimento supervisionato con esempi pratici.
   • Metriche di valutazione dei modelli di machine learning: accuratezza, precisione, recall.

2. Attività di Laboratorio:

   • Raccolta Dati con Bittle: Dotare Bittle di vari sensori (es. luce, movimento, tocco) e definire un insieme di condizioni ambientali (es. diversi livelli di luce, tipi di superfici).
   • Etichettatura dei Dati:
     • Spiegazione del concetto di etichettatura dei dati: etichettare i dati significa assegnare una "etichetta" o "label" ai dati raccolti, indicando la condizione o il risultato osservato.
     • Esempio concreto: posizionare Bittle in una stanza con luce moderata (condizione ambientale) e farlo camminare. I dati dei sensori raccolti durante questo movimento (ad esempio, la lettura dei sensori di movimento e luce) saranno etichettati come "camminata".
   • Creazione di un Dataset:
     • Utilizzare il modulo implementato in MAST_sensor per esaminare i risultati.
     • Organizzare i dati raccolti in formato tabellare con variabili indipendenti (letture dei sensori) e variabile dipendente (etichette dei movimenti).

Gli studenti comprenderanno le basi del machine learning e come raccogliere e etichettare i dati per creare un dataset per l'apprendimento supervisionato.

Hands-On 2: Alberi Decisionali

Insegnare agli studenti come funzionano gli alberi decisionali e come implementarli per i compiti di classificazione attraverso un'attività unplugged e di laboratorio.

1. Introduzione agli Alberi Decisionali:

   • Attività Unplugged: Spiegare il concetto di alberi decisionali attraverso un'attività unplugged, utilizzando il riferimento AI Unplugged.

2. Attività di Laboratorio:

   • Divisione del Dataset: Dividere il dataset dell'Hands-On 1 in set di addestramento e test.
   • Addestramento del Modello di Albero Decisionale: Addestrare il modello di albero decisionale con i dati di addestramento usando il modulo train_decision_tree implementato in MAST_learn.
   • Validazione del Modello: Validare il modello raccogliendo informazioni sul dataset di test.

Gli studenti impareranno come costruire, addestrare e valutare un modello di albero decisionale, fondendo le conoscenze acquisite durante l'attività unplugged con i risultati dell'Hands-On 1.

Hands-On 3: Reti Neurali

Introdurre agli studenti le reti neurali e la loro applicazione in compiti di classificazione più complessi.

1. Introduzione alle Reti Neurali:

   • Spiegare le basi delle reti neurali, inclusi neuroni, strati e funzioni di attivazione.
   • Discutere come le reti neurali possono apprendere pattern complessi dai dati.

2. Attività di Laboratorio:

   • Divisione del Dataset: Dividere il dataset dell'Hands-On 1 in set di addestramento e test.
   • Addestramento del Modello di Rete Neurale: Addestrare il modello di rete neurale con i dati di addestramento usando il modulo train_neural_network implementato in MAST_learn.
   • Validazione del Modello: Validare il modello raccogliendo informazioni sul dataset di test.

3. (optional) Sperimentazione:

   • Permettere agli studenti di modificare l'architettura della rete neurale (es. numero di strati, neuroni) e osservare l'impatto sulle prestazioni.
   • Discutere il concetto di overfitting e come prevenirlo.

Gli studenti comprenderanno le basi delle reti neurali e come implementarle e sperimentare con esse per la classificazione dei movimenti di Bittle.

Hands-On 4: Classificazione in Tempo Reale con Bittle (Progetto Finale)

Applicare i modelli addestrati per classificare i movimenti di Bittle in tempo reale.

1. Distribuzione del Modello:

   • Scegliere uno dei modelli addestrati (albero decisionale o rete neurale).

2. Raccolta Dati in Tempo Reale:

   • Raccogliere nuove informazioni dai sensori con il modulo read_sensor di MAST_sensor.

3. Classificazione in Tempo Reale:

   • Ottenere la predizione a partire dai sensori con il blocco infer di MAST_learn.
   • Mostrare i risultati della classificazione su uno schermo o attraverso un dispositivo connesso.

4. Feedback e Regolazioni:

   • Permettere agli studenti di osservare la classificazione in tempo reale e fornire feedback.
   • Fare regolazioni per migliorare le prestazioni del modello se necessario.

Gli studenti sperimenteranno l'applicazione pratica dei loro modelli di machine learning, vedendo come possono essere utilizzati per classificare i movimenti in tempo reale.