Anno di corso: 1

Anno di corso: 2

Crediti: 6
Crediti: 6
Crediti: 6
Crediti: 6
Crediti: 6
Crediti: 6
Crediti: 12
Tipo: A scelta dello studente
Crediti: 3
Tipo: Lingua/Prova Finale
Crediti: 33
Tipo: Lingua/Prova Finale

APPRENDIMENTO AUTOMATICO

Scheda dell'insegnamento

Anno accademico di regolamento: 
2015/2016
Anno di corso: 
1
Anno accademico di erogazione: 
2015/2016
Tipo di attività: 
Obbligatorio
Crediti: 
6
Ciclo: 
Secondo Semestre
Ore di attivita' didattica: 
52
Prerequisiti: 

Conoscenze di base su algoritmi e strutture di dati.
Elementi di calcolo delle probabilità e statistica

Moduli

Metodi di valutazione

Tipo di esame: 
Orale
Modalita' di verifica dell'apprendimento: 

Prova scritta e orale

Valutazione: 
Voto Finale

Obiettivi formativi

Il corso si propone di introdurre gli elementi di base e di fornire i concetti e gli strumenti fondamentali, basati su metodi computazionali, per rappresentare l’apprendimento, la conoscenza e il ragionamento in condizioni di incertezza.
Lo studente sarà in grado di progettare e sviluppare strumenti software basati su tecniche di apprendimento automatico (machine learning) per risolvere semplici problemi di analisi di dati, knowledge discovery e supporto alle decisioni in presenza di informazione incerta o incompleta.
Le capacità acquisite sono alla base dello sviluppo di sistemi evoluti di data mining e knowledge discovery e di applicativi sw specifici in sistemi di supporto alle decisioni.

Contenuti

Il corso fornirà una approfondita presentazione della vasta collezione di nuovi metodi e strumenti che si sono resi disponibili negli ultimi anni per lo sviluppo di sistemi autonomi di apprendimento e di supporto alla analisi di dati multivariati. Questi strumenti comprendono le reti neurali, i modelli di Markov nascosti, le reti di credenza, gli alberi di decisione, così come combinazioni sempre più sofisticate di queste architetture. Le applicazioni includono la predizione in condizioni di informazione incompleta, la classificazione, l’analisi di serie temporali, la diagnosi, l'ottimizzazione, l’ identificazione e il controllo di sistemi, l’analisi esplorativa dei dati e molti altri problemi in statistica, machine learning e data mining.

Programma esteso

1 "Apprendimento di concetti dalle osservazioni
"

2 Alberi di decisione

3 "Teoria computazionale dell’apprendimento
• Definizioni ed esempi
• Formalizzazione dello scenario
• Limiti superiori e inferiori e Dimensione di VC
• Mistake bound, Teorema di Littlestone, halving
"

4 "Apprendimento bayesiano
• Introduzione
• Teorema di Bayes
• Ipotesi MAP, ML, MDL
• Algoritmo di Gibbs e di maggioranza pesata
• Classificatore bayesiano ottimo
• Classificatore bayesiano ingenuo
• Apprendimento con variabili nascoste: l’algoritmo EM
• Modelli di Markov nascosti
"

5 " Reti neurali
• Introduzione
• percettrone e teorema di convergenza
• percettrone multistrato e retropropagazione
"

6 " Support vector machines
• Introduzione
• Kernels
"

7 "Apprendimento per rinforzo
"

8 "Apprendimento non supervisionato
• L'algoritmo k-means
• L'algoritmo Neighbor Joining
"

Bibliografia consigliata

• S. Russel, P. Norvig
Intelligenza artificiale, Vol. 2, Capp. 18-21
Pearson-Prentice Hall

• S. Marsland
Machine Learning: An Algorithmic Perspective
CRC Press

Metodi didattici

Il corso consisterà di lezioni frontali ed esercitazioni.