MACHINE LEARNING
(obiettivi)
Obiettivi generali:
L’obiettivo del corso è presentare un ampio spettro di metodi e algoritmi di apprendimento automatico, discutendone le proprietà e i criteri di applicabilità e di convergenza. Si presentano anche diversi esempi di impiego efficace delle tecniche di apprendimento automatico in diversi scenari applicativi. Gli studenti avranno la capacità di risolvere problemi di apprendimento automatico, partendo da una corretta formulazione del problema, con la scelta di un opportuno algoritmo, e sapendo condurre un’analisi sperimentale per valutare i risultati ottenuti.
Obiettivi specifici:
Conoscenza e comprensione: Fornire un'ampia panoramica sui principali metodi e algoritmi di apprendimento automatico per i problemi di classificazione, regressione, apprendimento, non-supervisionato e apprendimento per rinforzo. I diversi problemi affrontati vengono definiti formalmente e vengono fornite sia le basi teoriche sia informazione tecniche per comprendere le soluzioni adottate.
Applicare conoscenza e comprensione: Risolvere problemi specifici di apprendimento automatico a partire da insiemi di dati, mediante l'applicazione delle tecniche studiate. Lo svolgimento di due homework (piccoli progetti da svolgere a casa) consente agli studenti di applicare le conoscenze acquisite.
Capacità critiche e di giudizio: Essere in grado di valutare la qualità di un sistema di apprendimento automatico usando opportune metriche e metodologie di valutazione.
Capacità comunicative: Produrre un rapporto tecnico che descrive i risultati degli homework, acquisendo quindi la capacità di comunicare i risultati ottenuti dall'applicazione delle conoscenze acquisite nella soluzione di un problema specifico. Assistere ad esempi di comunicazione e condivisione dei risultati raggiunti in applicazioni reali forniti da esperti all'interno di seminari erogati durante il corso.
Capacità di apprendimento: Approfondimento autonomo di alcuni argomenti presentati nel corso tramite lo svolgimento di homework, con possibilità anche di lavorare insieme ad altri studenti (lavoro di gruppo) per risolvere problemi specifici.
|
Codice
|
10592833 |
Lingua
|
ENG |
Tipo di attestato
|
Attestato di profitto |
Crediti
|
9
|
Settore scientifico disciplinare
|
ING-INF/05
|
Ore Aula
|
36
|
Ore Esercitazioni
|
54
|
Ore Studio
|
-
|
Attività formativa
|
Attività formative caratterizzanti
|
Canale Unico
Docente
|
IOCCHI LUCA
(programma)
Classification
Basic concepts and evaluation Decision Trees Bayes Learning Linear Models Support Vector Machines Kernels Multiple classifiers
Regression
Linear and logistic regression Instance based (K-NN) Perceptron Neural networks Deep neural networks (CNN)
Unsupervised learning
Clustering (k-Means) Latent variables (EM)
Reinforcement learning
MDP Q-learning Deep Reinforcement Learning HMM POMDP
Machine Learning, Tom Mitchell. Pattern Recognition and Machine Learning, Chris Bishop. Machine Learning: a Probabilistic Perspective, Kevin Murphy. Introduction to Machine Learning, Ethem Alpaydin. Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville. Reinforcement Learning, Sutton and Barto.
|
Date di inizio e termine delle attività didattiche
|
- |
Date degli appelli
|
Date degli appelli d'esame
|
Modalità di erogazione
|
Tradizionale
|
Modalità di frequenza
|
Non obbligatoria
|
Metodi di valutazione
|
Prova scritta
|
Docente
|
CAPOBIANCO ROBERTO
|
Date di inizio e termine delle attività didattiche
|
- |
Modalità di frequenza
|
Non obbligatoria
|
|
|