Le lezioni e le esercitazioni pratiche svolte durante il corso consentiranno di apprendere metodi e tecniche per la scelta e l’addestramento di specifici approcci di machine learning a partire da dataset reali provenienti da vari ambiti, es. health care, analisi finanziaria, videogame, computer vision, recommender systems.
Curriculum
Fruizione: 20810308 Elementi di Intelligenza artificiale e Machine Learning in Ingegneria delle Tecnologie Aeronautiche e del Trasporto Aereo L-9 R SANSONETTI GIUSEPPE,
Programma
1. Introduzione al Corso- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Ridge Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
Testi Adottati
Lucidi delle lezioni.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta e prova pratica di laboratorio.Fruizione: 20810308 Elementi di Intelligenza artificiale e Machine Learning in Ingegneria delle Tecnologie Aeronautiche e del Trasporto Aereo L-9 R SANSONETTI GIUSEPPE,
Fruizione: 20810308 Elementi di Intelligenza artificiale e Machine Learning in Ingegneria delle Tecnologie Aeronautiche e del Trasporto Aereo L-9 R SANSONETTI GIUSEPPE,
Programma
1. Introduzione al Corso- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Ridge Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
Testi Adottati
Lucidi delle lezioni.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta e prova pratica di laboratorio.Fruizione: 20810308 Elementi di Intelligenza artificiale e Machine Learning in Ingegneria delle Tecnologie Aeronautiche e del Trasporto Aereo L-9 R SANSONETTI GIUSEPPE,
Fruizione: 20810308 Elementi di Intelligenza artificiale e Machine Learning in Ingegneria delle Tecnologie Aeronautiche e del Trasporto Aereo L-9 R SANSONETTI GIUSEPPE,
Programma
1. Introduzione al Corso- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Ridge Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
Testi Adottati
Lucidi delle lezioni.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta e prova pratica di laboratorio.Fruizione: 20810308 Elementi di Intelligenza artificiale e Machine Learning in Ingegneria delle Tecnologie Aeronautiche e del Trasporto Aereo L-9 R SANSONETTI GIUSEPPE,
Fruizione: 20810308 Elementi di Intelligenza artificiale e Machine Learning in Ingegneria delle Tecnologie Aeronautiche e del Trasporto Aereo L-9 R SANSONETTI GIUSEPPE,
Programma
1. Introduzione al Corso- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Ridge Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
Testi Adottati
Lucidi delle lezioni.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta e prova pratica di laboratorio.Fruizione: 20810308 Elementi di Intelligenza artificiale e Machine Learning in Ingegneria delle Tecnologie Aeronautiche e del Trasporto Aereo L-9 R SANSONETTI GIUSEPPE,
