1. Introduzione al corso: motivazioni al Machine Learning, Data Mining, problemi ed esempi applicativi. 2. La rappresentazione dei segnali e delle sequenze. 3. Richiami di algebra lineare e teoria della probabilità. 4. Richiami di teoria dell’ottimizzazione. Ottimizzazione non vincolata e vincolata: Lagrangiana e condizioni KKT. La regolirizzazione. 5. Meta-euristiche: algoritmi genetici, Random Search, Simulated Annealing e Tabu Search. 6. Stima della densità di probabilità: metodi parametrici e non parametrici. La finestratura di Parzen. 7. Valutazione degli algoritmi di Machine Learning. Metriche: matrice di confusione, True Positive Rate, False Positive Rate, Precision, Recall, F-Measure, AUC, ROC analysis. K-fold Cross Validation, One Leave Out. Grid search. 8. Pre-procesasmento dei dati: rimozione della media, de-trading e riduzione della dimensionalità. SVD, PCA, LDA e CCA. Rimozione degli outlier. 9. Apprendimento lineare: stima ottima e algoritmo LMS. 10. Il clustering: K-means, algoritmo EM, algoritmi gerarchici. 11. La classificazione e la regressione. Algoritmi supervisionati e non supervisionati. L’algoritmo k-NN. 12. Alberi di decisione: Random Tree e Random Forest. 13. Le reti neurali: il perceptron, il MLP, le RBF, le deep networks. L’algoritmo di back propagation. 14. Le macchine a kernel: le Support Vector Machine (SVM). 15. I modelli grafici: modelli direzionali e non direzionali. Inferenza e diagnosi. 16. I modelli di Markov nascosti (HMM). 17. L’apprendimento Bayesiano. 18. Combinazione di algoritmi multipli: voting, bagging, boosting, ensemble. 19. Reinforcement Learning 20. La logica fuzzy e l’inferenza fuzzy. 21. WEKA: descrizione e uso del software. Il formato del file arff. Esempi di utilizzo. 22. Cenni di programmazione MATLAB e Python per lo sviluppo di algoritmi di Machine Learning. Esempi di utilizzo.

1. Ethem Alpaydin, Introduction to Machine Learning, 3rd edition, MIT Press, 2014. 2. Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J. Pal, Data Mining: Practical Machine Learning Tools and Techniques, 4th edition, Morgan Kaufmann, 2016. 3. Stephen Marsland, Machine Learning: An Algorithmic Perspective, 2nd edition, Chapman and Hall/CRC, 2014. 4. Dispense a cura del docente, reperibili online al link: http://michelescarpiniti.site.uniroma1.it/didattica/mlss.