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 DELL'AUTOMAZIONE
IN0527, ordinamento 2008/09, A.A. 2016/17
1146256
Crediti formativi 6.0
Denominazione inglese MACHINE LEARNING
Dipartimento di riferimento Dipartimento di Ingegneria dell'Informazione (DEI)
Sito E-Learning https://elearning.dei.unipd.it/course/view.php?idnumber=2016-IN0527-000ZZ-2016-INP6075419-ULT1001
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA

Docenti
Responsabile ALESSANDRO CHIUSO ING-INF/04


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