Obiettivi generali
Il corso introduce le motivazioni, paradigm e applicazioni dei sistemi di apprendimento automatic. Si tratta di un corso introduttivo.

Obiettivi specifici
Apprendimento supervisionato: alberi di decisione, apprendimento di istanze, naïve Bayes, support vector machine, neural networks, deep learning, ensamble methods. Apprendimento non supervisionato: clustering, association rules. Apprendimento semi-supervisionato: Reinforcement learning. Genetic algorithms e genetic programming. Problemi generali: underfitting, overfitting, model selection, error analysis.

Conoscenza e comprensione:
Gli studenti impareranno quali algoritmi si adattano meglio a quali categorie di problemi, come descrivere il dominio dell'applicazione, come regolare parametri e iperparametri del modello, come testare le prestazioni.

Applicazione di conoscenza e comprensione:
Gli studenti faranno esperimenti utilizzando toolkits di ML quali Weka, Tensor Flow e scikit-lear.

Autonomia di giudizio:
Gli studenti saranno in grado di comprendere le categorie di problemi che possono essere risolti in modo efficiente con algoritmi di apprendimento automatico, a quali condizioni.

Abilità comunicative:
Queste saranno valutate durante gli esami scritti e la reportistica del progetto.

Capacità di apprendimento successivo:
Gli studenti riceveranno una solida base per approfondire ulteriormente i metodi più avanzati, come il deep learning, l'apprendimento probabilistico ed altri.