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