20810266 - Machine Learning

Il corso consentirà agli studenti di approfondire i metodi e gli algoritmi tipici del Machine Learning, quelli supervisionati, non supervisionati e per rinforzo, e di utilizzarli come strumenti per lo sviluppo di tecnologie innovative. In particolare, verranno studiati gli aspetti delle principali aree della disciplina, tra cui la regressione, la classificazione e il clustering. Verranno poi introdotti i metodi e le tecniche di deep learning e ambienti di sviluppo specializzati. Il corso prevede, oltre a lezioni ed esercitazioni, lo svolgimento di un progetto individuale o di gruppo che consentirà agli studenti di applicare le basi teoriche apprese a lezione a problemi concreti su vari domìni d’interesse. Essi saranno relativi ad esempio a come analizzare grandi e complessi dataset in vari ambiti (e.g., la Health Care, la Data Science, il Data Mining, l’Analisi Finanziaria, i Videogame, la Computer Vision, ecc.), creare sistemi che si adattano e migliorano con il tempo (e.g., Recommender Systems), e così via. Infine il corso prevede seminari monografici (anche aziendali) dedicati a vari casi di studio.

Curriculum

scheda docente | materiale didattico

Programma

1. Regression
Linear Regression
Overfitting nella Regressione
Ridge Regression
Feature Selection e Lasso

2. Classification
Logistic Regression
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. Reinforcement Learning
Introduzione al Reinforcement Learning
Algoritmi di apprendimento per rinforzo
Applicazioni varie

6. 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

Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, GASPARETTI FABIO

Programma

1. Regression
Linear Regression
Overfitting nella Regressione
Ridge Regression
Feature Selection e Lasso

2. Classification
Logistic Regression
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. Reinforcement Learning
Introduzione al Reinforcement Learning
Algoritmi di apprendimento per rinforzo
Applicazioni varie

6. 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.

Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, GASPARETTI FABIO

scheda docente | materiale didattico

Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, GASPARETTI FABIO

Programma

1. Regression
Linear Regression
Overfitting nella Regressione
Ridge Regression
Feature Selection e Lasso

2. Classification
Logistic Regression
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. Reinforcement Learning
Introduzione al Reinforcement Learning
Algoritmi di apprendimento per rinforzo
Applicazioni varie

6. 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.

Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, GASPARETTI FABIO

scheda docente | materiale didattico

Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, GASPARETTI FABIO

Programma

1. Regression
Linear Regression
Overfitting nella Regressione
Ridge Regression
Feature Selection e Lasso

2. Classification
Logistic Regression
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. Reinforcement Learning
Introduzione al Reinforcement Learning
Algoritmi di apprendimento per rinforzo
Applicazioni varie

6. 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.

Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, GASPARETTI FABIO