Machine learning
A.A. 2023/2024
Obiettivi formativi
The course introduces the principles of machine learning
Risultati apprendimento attesi
At the end of the course students will be able to understand and discuss the principles of machine learning. They will be able to analyze a problem, and to design and implement a solution. They will be familiar with the most important techniques in the field and will be able to use them to build machine learning systems.
Periodo: Primo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Primo semestre
Programma
Concetti essenziali:
- introduzione al linguaggio Python
- elementi di probabilita' e statistica
- classi di problemi di ottimizzazione
- discesa del gradiente, regolarizzazione
- apprendimento automatico: apprendimento statistico, regressione, classificazione, clustering, generalizzazione
- tecniche di apprendimento: k-fold cross validation, leave one out, batches or mini-batches, model selection
- preparazione dei dati
- teoria della decisione bayesiana
- modelli di regressione
- reti neurali feed-forward
- Support Vector Machines lineari e non lineari
- modelli multi-classe
- modelli generativi: autoencoders e GANs
- deep learning e reti neurali convolutive
- recurrent neural networks
- algoritmi genetici
- introduzione al linguaggio Python
- elementi di probabilita' e statistica
- classi di problemi di ottimizzazione
- discesa del gradiente, regolarizzazione
- apprendimento automatico: apprendimento statistico, regressione, classificazione, clustering, generalizzazione
- tecniche di apprendimento: k-fold cross validation, leave one out, batches or mini-batches, model selection
- preparazione dei dati
- teoria della decisione bayesiana
- modelli di regressione
- reti neurali feed-forward
- Support Vector Machines lineari e non lineari
- modelli multi-classe
- modelli generativi: autoencoders e GANs
- deep learning e reti neurali convolutive
- recurrent neural networks
- algoritmi genetici
Prerequisiti
Analisi matematica, elementi di programmazione Python e di programmazione orientata agli oggetti.
Metodi didattici
Lezioni frontali con esempi funzionanti e dimostrativi in juypter-notebook - Attivita' laboratoriali - Materiali forniti dai docenti.
Materiale di riferimento
- Python Data Science Handbook by Jake VanderPlas - Publisher(s): O'Reilly Media, Inc. -
ISBN: 978-1-491-91205-8
- The Elements of Statistical Learning by Trevor Hastie , Robert Tibshirani , Jerome Friedman - Springer - ISBN: 978-0-387-84858-7
ISBN: 978-1-491-91205-8
- The Elements of Statistical Learning by Trevor Hastie , Robert Tibshirani , Jerome Friedman - Springer - ISBN: 978-0-387-84858-7
Modalità di verifica dell’apprendimento e criteri di valutazione
Esame orale con discussione dei contenuti teorici e degli esempi pratici di applicazione del machine learning presentati nel corso.
Siti didattici
Docente/i