Metodi statistici per l'apprendimento

A.A. 2016/2017
Insegnamento per
6
Crediti massimi
48
Ore totali
Lingua
Italiano
Obiettivi formativi
L'apprendimento automatico si occupa dello sviluppo di algoritmi che sono in grado di predire l'evoluzione di un fenomeno basandosi su un insieme di osservazioni. L'apprendimento automatico è diventato uno strumento standard nelle applicazioni industriali di analisi intelligente dei dati ed è stato applicato a domini come il web, la visione, il linguaggio naturale, la biologia, e molti altri. Il corso si propone di descrivere e analizzare in termini statistici le più diffuse tecniche di apprendimento automatico, fornendo allo studente un complesso insieme di strumenti metodologici volti alla comprensione qualitativa e quantitativa del fenomento dell'apprendimento nelle macchine.

Struttura insegnamento e programma

Edizione attiva
Programma
Introduzione al corso
L'algoritmo Nearest Neighbour
Predittori ad albero
Cross validazione
Rischio statistico e sua analisi
Rischio nei predittori ad albero
Rischio in Nearest Neighbour
Consistenza
Compression bounds
Classificatori lineari
Online gradient descent
Da rischio sequenziale a rischio statistico
Funzioni kernel
Support Vector Machines
Stability bounds e controllo del rischio in SVM
Boosting
Reti neuronali e deep learning
Riduzione di dimensionalità
Propedeuticità
Matematica del continuo. Matematica del discreto. Statistica e analisi dei dati
Prerequisiti e modalità di esame
L'esame consiste di una prova scritta e di una discussione orale, entrambe obbligatorie. La prova scritta consiste nella stesura di una relazione che approfondisca temi specifici, di natura teorica o pratica, svolti durante il corso e concordati col docente. La prova orale partirà dai contenuti della relazione, che verranno discussi in modo dettagliato, quindi la discussione si allargherà agli altri argomenti trattati nel corso di cui si richiederà una comprensione a livello più generale.
Metodi didattici
Modalità di esame: Orale; Modalità di frequenza: Fortemente consigliata; Modalità di erogazione: Tradizionale.
Materiale didattico e bibliografia
Shai Shalev-Shwartz e Shai Ben-David, Understanding Machine Learning: From Theory to Algorithms, Cambridge University Press, 2014.

Dispense fornite dal docente.
Periodo
Secondo semestre
Periodo
Secondo semestre
Modalità di valutazione
Esame
Giudizio di valutazione
voto verbalizzato in trentesimi
Docente/i
Ricevimento:
Mercoledì 9:30-12:30
via Celoria 18, stanza 7007