Docente
|
GIAGU STEFANO
(programma)
Introduzione al ML
Metodi di Ottimizzazione
Elementi base python, numpy, scipy, matplotlib
Statistical Learning
Algoritmi basati su stima della probabilità
Funzioni discriminanti lineari: classificazione e regressione
Discriminanti non lineari: metodo dei kernel, Support Vector Machine
Algoritmi non metrici: alberi di decisioni binarie, foreste, bagging e ensambling, boosting, gradient boost
Riduzione dimensionale e rappresentazione dei dati (PCA, tSNE, ...), Clustering
Variational Methods and Mean-Field Theory, Expectation-Maximisation models, mixture models
Neural Networks
Tecniche di Regolarizzazione
Deep Learning e Convolutional Neural Networks
Frameworks per lo sviluppo di modelli di ML e DNN: scikit-learn, Keras/TensorFlow, PyTorch
Transfer Learnings, introduzione all'explainable AI
Modelli per sequenze: RNN, GRU, LSTM
Autoencoders e VAE
Deep Generative Models: GAN
Probabilistic/Physics models: Hopfield Networks, Memorie associative, Restricted Boltzmann machines
Introduzione al Reinforcement learning
Slides e note presentate da docente durante le lezioni e notebook discussi durante i laboratori computazionali
I. Goodfellow, Y. Bengio, A. Courville: Deep Learning, MIT Press (https://www.deeplearningbook.org/)
C.M. Bishop: Pattern Recognition and Machine Learning, Springer
R.O. Duda, P.E. Hart, D.G. Stork: Pattern Classification, John Wiley & Sons Inc
A.R. Webb, K.D Copsey: Statistical Pattern Recognition 3rd edition, Wiley
|