Metodologie informatiche nelle discipline umanistiche

Introduzione alla Data Science per le discipline umanistiche
- Il contesto multidiciplinare della Data Science
- La rivoluzione dei dati e l'evoluzione dell'intelligenza artificiale
- Sfide e questioni aperte sull'impatto sociale e culturale delle tecnologie dei dati

Elaborazione del Linguaggio Naturale (NLP)
- Introduzione ai principi di elaborazione del linguaggio naturale
- Intelligenza artificiale e elaborazione del linguaggio naturale
- Difficoltà e caratteristiche proprie del linguaggio naturale
- Limiti dei modelli simbolici
- La nozione di Language Models e i modelli statistici

Introduzione all'apprendimento automatico (Machine Learning)
- Il cambio di paradigma da modelli basati sulla conoscenza a modelli di apprendimento
- Macchine che imparano e modelli di apprendimento
- Apprendimento non superisionato (unsupervised learning)
- Apprendimento per rinforzo (reinforcement learning)
- Apprendimento supervisionato (supervised learning)

Introduzione alle reti neurali
- I meccanismi di apprendimento delle reti neurali
- Applicazioni al linguaggio naturale (word embeding e modelli non contestuali)
- Neural Language models
- Sequence-2-Sequence learning: RNN e LSTM
- Architetture encoder-decoder, meccanismi di attenzione e large language models

Questioni legali e etiche legate all'intelligenza artificiale generativa
- Trasparenza e explainability dei modelli generativi
- Allucinazione e errore
- Stereotipi e bias nei modelli generativi

Progettazione
- Costruzione di un progetto di applicazione dei modelli generativi a problemi di interresse degli studi umanistici
- Realizzazione del progetto e raccolta dei risultati
- Presentazione del progetto