Consentire agli studenti di approfondire i principali modelli e metodi dell’Apprendimento Automatico, come ad. esempio la Regressione, la Classificazione, il Clustering, il Deep Learning, ed utilizzarli come strumenti per lo sviluppo di tecnologie innovative
Curriculum
scheda docente materiale didattico
Richiami di Linear Regression
Overfitting nella Regressione
Feature Selection e Lasso
2. Classification
Richiami di Logistic Regression per la classificazione
Overfitting nella Classificazione
Boosting. Algoritmo AdaBoost
Support Vector Machine (Large Margin Classification, Kernel I, Kernel II)
Naïve Bayes
3. Clustering e Retrieval
Algoritmo K-NN
Algoritmo K-Means
Expectation Maximization
Applicazioni all’Information Retrieval
4. Dimensionality Reduction
Compressione e visualizzazione dei dati
Principal Component Analysis (PCA)
Scelta del numero di componenti principali
Applicazioni nei Recommender Systems
5. Deep Learning
Deep Forward Networks
Regularization per il Deep Learning
Convolutional Networks
Applicazioni varie
6. Casi di Studio e Progetti
Si esporranno vari casi di studio e si proporranno progetti in cui applicare le nozioni apprese su vari domíni d’interesse.
Fruizione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, GASPARETTI FABIO
Programma
1. RegressionRichiami di Linear Regression
Overfitting nella Regressione
Feature Selection e Lasso
2. Classification
Richiami di Logistic Regression per la classificazione
Overfitting nella Classificazione
Boosting. Algoritmo AdaBoost
Support Vector Machine (Large Margin Classification, Kernel I, Kernel II)
Naïve Bayes
3. Clustering e Retrieval
Algoritmo K-NN
Algoritmo K-Means
Expectation Maximization
Applicazioni all’Information Retrieval
4. Dimensionality Reduction
Compressione e visualizzazione dei dati
Principal Component Analysis (PCA)
Scelta del numero di componenti principali
Applicazioni nei Recommender Systems
5. Deep Learning
Deep Forward Networks
Regularization per il Deep Learning
Convolutional Networks
Applicazioni varie
6. Casi di Studio e Progetti
Si esporranno vari casi di studio e si proporranno progetti in cui applicare le nozioni apprese su vari domíni d’interesse.
Testi Adottati
Dispense a cura del docente.Modalità Valutazione
Prova scritta, valutazione progetto. scheda docente materiale didattico
Fruizione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, GASPARETTI FABIO
scheda docente materiale didattico
Richiami di Linear Regression
Overfitting nella Regressione
Feature Selection e Lasso
2. Classification
Richiami di Logistic Regression per la classificazione
Overfitting nella Classificazione
Boosting. Algoritmo AdaBoost
Support Vector Machine (Large Margin Classification, Kernel I, Kernel II)
Naïve Bayes
3. Clustering e Retrieval
Algoritmo K-NN
Algoritmo K-Means
Expectation Maximization
Applicazioni all’Information Retrieval
4. Dimensionality Reduction
Compressione e visualizzazione dei dati
Principal Component Analysis (PCA)
Scelta del numero di componenti principali
Applicazioni nei Recommender Systems
5. Deep Learning
Deep Forward Networks
Regularization per il Deep Learning
Convolutional Networks
Applicazioni varie
6. Casi di Studio e Progetti
Si esporranno vari casi di studio e si proporranno progetti in cui applicare le nozioni apprese su vari domíni d’interesse.
Fruizione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, GASPARETTI FABIO
Programma
1. RegressionRichiami di Linear Regression
Overfitting nella Regressione
Feature Selection e Lasso
2. Classification
Richiami di Logistic Regression per la classificazione
Overfitting nella Classificazione
Boosting. Algoritmo AdaBoost
Support Vector Machine (Large Margin Classification, Kernel I, Kernel II)
Naïve Bayes
3. Clustering e Retrieval
Algoritmo K-NN
Algoritmo K-Means
Expectation Maximization
Applicazioni all’Information Retrieval
4. Dimensionality Reduction
Compressione e visualizzazione dei dati
Principal Component Analysis (PCA)
Scelta del numero di componenti principali
Applicazioni nei Recommender Systems
5. Deep Learning
Deep Forward Networks
Regularization per il Deep Learning
Convolutional Networks
Applicazioni varie
6. Casi di Studio e Progetti
Si esporranno vari casi di studio e si proporranno progetti in cui applicare le nozioni apprese su vari domíni d’interesse.
Testi Adottati
Dispense a cura del docente.Modalità Valutazione
Prova scritta, valutazione progetto. scheda docente materiale didattico
Fruizione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, GASPARETTI FABIO