Insegnamento
MACHINE LEARNING - APPRENDIMENTO AUTOMATICO (Ult. numero di matricola da 0 a 4)
INP6075419, A.A. 2016/17

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
INGEGNERIA INFORMATICA
IN0521, ordinamento 2009/10, A.A. 2016/17
1146278
Crediti formativi 6.0
Denominazione inglese MACHINE LEARNING
Dipartimento di riferimento Dipartimento di Ingegneria dell'Informazione (DEI)
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA

Docenti
Responsabile ALESSANDRO CHIUSO ING-INF/04

Mutuante
Codice Insegnamento Responsabile Corso
INP6075419 MACHINE LEARNING - APPRENDIMENTO AUTOMATICO (Ult. numero di matricola da 0 a 4) ALESSANDRO CHIUSO IN0527

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
AFFINE/INTEGRATIVA Attività formative affini o integrative ING-INF/04 3.0
CARATTERIZZANTE Ingegneria informatica ING-INF/05 3.0

Modalità di erogazione
Periodo di erogazione Primo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Organizzazione della didattica
Tipo ore Crediti Ore di
Corso
Ore Studio
Individuale
Turni
LEZIONE 6.0 48 102.0 Nessun turno

Calendario
Inizio attività didattiche 26/09/2016
Fine attività didattiche 20/01/2017

Commissioni d'esame
Commissione Dal Al Membri
2 A.A. 2017/2018 01/10/2017 15/03/2019 CHIUSO ALESSANDRO (Presidente)
VANDIN FABIO (Membro Effettivo)
PILLONETTO GIANLUIGI (Supplente)
ZORZI MATTIA (Supplente)
1 A.A. 2016/2017 01/10/2016 15/03/2018 CHIUSO ALESSANDRO (Presidente)
VANDIN FABIO (Membro Effettivo)
PILLONETTO GIANLUIGI (Supplente)
ZORZI MATTIA (Supplente)

Syllabus
Prerequisiti: Conoscenze di Base di Probabilita, Statistica e Algebra Lineare
Conoscenze e abilita' da acquisire: Lo scopo del corso e' di fornire i principi fondamentali del problema di apprendimento e di introdurre i principali algoritmi per la regressione e la classificazione. Verranno trattati problemi di apprendimento supervisionato e non supervisionato; se possibile saranno inclusi anche alcuni argomenti piu' avanzati come sparsita e "boosting". Il corso includera' esercitazioni al calcolatore.
Modalita' di esame: Esame scritto ed esercitazioni al calcolatore.
Criteri di valutazione: Conoscenza degli strumenti per la predizione e la classificazione. Abilita analitica e pratica nell'uso di questi strumenti per la soluzione di semplici problemi.
Contenuti: Motivazioni, componenti del problema di apprendimento e applicazioni dell'apprendimento automatico. Apprendimento supervisionato e non supervisionato.

Parte I: Apprendimento supervisionato.

Introduzione: Dati - classi di modelli - funzioni di costo
Modelli probabilistici e ipotesi sui dati
Modelli, funzioni costo e funzione di regressione. Regressione Classificazione

Bonta' di un modello, complessita', compromesso tra distorsione e varianza (dimensione di Vapnik0Cervonenkis - errore di generalizzazione)

Minimi quadrati, Massima Verosimiglianza e Probabilita' a posteriori.

Modelli per la regressione: regressione lineare (scalare e multivariata) -Paradosso di Stein e Regolarizzazione. Selezione di Variabili. Modelli Linerari nei parametri, Regolarizzazione. Modelli Locali e Globali (Kernels e NNR).

Riduzione della dimensionalita: Regressione alle componenti principali, Minimi Quadrati Parziali.

Classi di modelli non lineari: Sigmoidi, Reti Neurali.

Metodi "Kernel'': Support Vectors Machines.

Metodi per la classificazione: Discriminanti Lineari, Regressione Logistica, NN, Perceptron, Classificatore di Bayes, SVM

Validazione e selezione dei modelli: Errore di Generalizzazione, Compromesso tra distorsione e varianza, Cross Validation, SURE. Determinazione della Complessita del modello.

Parte II: Apprendimento non supervisionato

Analisi di clusters: K-means, misture di Gaussiane e stima EM. Riduzione della dimensionalita': analisi fattoriale, analisi alle componenti principali (PCA) e componenti indipendenti (ICA)
Attivita' di apprendimento previste e metodologie di insegnamento: Lezioni teoriche ed esercitazioni. Esercitazioni al calcolatore (in laboratorio).
Eventuali indicazioni sui materiali di studio: Il corso sara basato sui libri di testo:
"Pattern Recognition and Machine Learning" e
"The Elements of Statistical Learning" (see Section "Testi di Riferimento")
Testi di riferimento:
  • T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning. --: Springer, 2008. Cerca nel catalogo
  • C.M. Bishop, Pattern Recognition and Machine Learning. --: Springer, 2006. Cerca nel catalogo