Anno di corso: 1

Anno di corso: 2

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

DATA TECHNOLOGY AND MACHINE LEARNING

Scheda dell'insegnamento

Anno accademico di regolamento: 
2017/2018
Anno di corso: 
1
Anno accademico di erogazione: 
2017/2018
Tipo di attività: 
Obbligatorio
Crediti: 
12
Ciclo: 
Primo Semestre
Ore di attivita' didattica: 
108
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 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.

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 gli alberi di decisione, le reti neurali, i modelli di Markov nascosti, le macchine a vettori di supporto, così come algoritmi di classificazione non supervisionata e 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

Concept learning
• Il concetto di feature. Feature selection.
Alberi di decisione
• Information Gain
• Algoritmo ID3
Reti neurali
• Il percettrone
• Algoritmo di apprendimento del percettrone
• Teorema di convergenza
• Separabilità lineare
• Delta rule. Concetto di discesa del gradiente
• Il percettrone multistrato
• Algoritmo di retropropagazione dell'errore
Support vector machines
• Separazione ottima
• Kernels
Apprendimento bayesiano
• Introduzione
• Teorema di Bayes
• Esempio
• Ipotesi MAP e ML
• Minimum Description Length
• Classificatore bayesiano ottimo
• Classificatore bayesiano ingenuo
• l’algoritmo EM
Apprendimento non supervisionato
• L'algoritmo k-means
• L'algoritmo Neighbor Joining
Deep Learning

Bibliografia consigliata

• S. Marsland
Machine Learning: An Algorithmic Perspective
CRC Press
• Kevin Gurney
An Introduction to Neural Networks
CRC Press

Metodi didattici

Il corso consisterà di lezioni frontali ed esercitazioni.