Apprendere a istruire un calcolatore a imparare dei concetti usando i dati, senza essere programmato esplicitamente. Acquisire la conoscenza dei principali metodi di apprendimento automatico con o senza supervisore e discuterne le proprietà e i criteri di applicabilità Acquisire la capacità di formulare correttamente il problema, scegliere l'algoritmo opportuno, e condurre l'analisi sperimentale per valutare i risultati ottenuti. Curare l'aspetto pratico dell'implementazione dei metodi introdotti presentando diversi esempi di impiego in diversi scenari applicativi.
Curriculum
scheda docente
materiale didattico
Supervised and unsupervised learning; Model representation; La funzione costo; L'algoritmo della discesa del gradiente;
La regressione lineare; Il gradient descent per la regressione lineare; La regressione logistica; Il gradient descent per la regressione logistica; La normal equation;
Il problema della classificazione; La rappresentazione dell'ipotesi; La funzione costo; Il metodo one-vs-all; Il problema dell'overfitting; La regolarizzazione nella regressione lineare e in quella logistica;
Il percettrone; Le Neural Networks; L'algoritmo di Error-back propagation; L'inizializzazione casuale dei pesi;
La selezione del modello; Il train, validation e test set; La diagnosi mediante bias e variance; Le curve di apprendimento; L'analisi degli errori;
Support Vector Machines;
Classificazione mediante l'algoritmo K-means;
Analisi delle componenti principali (PCA) per la riduzione della dimensionalità;
Algoritmi di rilevamento anomalie;
Sistemi di raccomandazione;
Sistemi di machine learning su larga scala compresi sistemi parallelizzati e map-reduce;
R.O. Duda, P.E. Hart, D.G. Stork. Pattern Classification (2001) John Wiley & Sons.
Mutuazione: 20410432 IN550 – MACHINE LEARNING in Scienze Computazionali LM-40 CASTIGLIONE Filippo
Programma
Introduzione al Machine Learning: cosa è l'apprendimento automatico; a cosa mira, quali sono i problemi; quali sono gli strumenti teorici utilizzati; panoramica degli argomenti che saranno trattati durante il corso.Supervised and unsupervised learning; Model representation; La funzione costo; L'algoritmo della discesa del gradiente;
La regressione lineare; Il gradient descent per la regressione lineare; La regressione logistica; Il gradient descent per la regressione logistica; La normal equation;
Il problema della classificazione; La rappresentazione dell'ipotesi; La funzione costo; Il metodo one-vs-all; Il problema dell'overfitting; La regolarizzazione nella regressione lineare e in quella logistica;
Il percettrone; Le Neural Networks; L'algoritmo di Error-back propagation; L'inizializzazione casuale dei pesi;
La selezione del modello; Il train, validation e test set; La diagnosi mediante bias e variance; Le curve di apprendimento; L'analisi degli errori;
Support Vector Machines;
Classificazione mediante l'algoritmo K-means;
Analisi delle componenti principali (PCA) per la riduzione della dimensionalità;
Algoritmi di rilevamento anomalie;
Sistemi di raccomandazione;
Sistemi di machine learning su larga scala compresi sistemi parallelizzati e map-reduce;
Testi Adottati
C.M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006R.O. Duda, P.E. Hart, D.G. Stork. Pattern Classification (2001) John Wiley & Sons.
Modalità Erogazione
Le lezioni verranno svolte in aula mediante l'uso di proiezioni e della lavagna. Le slides proiettate costituiscono il principale materiale di studio.Modalità Frequenza
La frequenza non e' obbligatoria ma fortemente consigliata poiche' parte delle lezioni verranno fatte in laboratorio e consisteranno nella scrittura di parte di algoritmo di machine learning visti nella parte teorica.Modalità Valutazione
La verifica dell’apprendimento avviene attraverso una prova scritta della durata di 2 ore circa e di una parte orale. Lo scritto è organizzato attraverso un certo numero di quesiti a risposta multipla e qualche altro esercizio a risposta aperta, finalizzati a verificare il livello di comprensione effettiva dei concetti e la capacità degli studenti di applicarli in contesti reali.
scheda docente
materiale didattico
Supervised and unsupervised learning; Model representation; La funzione costo; L'algoritmo della discesa del gradiente;
La regressione lineare; Il gradient descent per la regressione lineare; La regressione logistica; Il gradient descent per la regressione logistica; La normal equation;
Il problema della classificazione; La rappresentazione dell'ipotesi; La funzione costo; Il metodo one-vs-all; Il problema dell'overfitting; La regolarizzazione nella regressione lineare e in quella logistica;
Il percettrone; Le Neural Networks; L'algoritmo di Error-back propagation; L'inizializzazione casuale dei pesi;
La selezione del modello; Il train, validation e test set; La diagnosi mediante bias e variance; Le curve di apprendimento; L'analisi degli errori;
Support Vector Machines;
Classificazione mediante l'algoritmo K-means;
Analisi delle componenti principali (PCA) per la riduzione della dimensionalità;
Algoritmi di rilevamento anomalie;
Sistemi di raccomandazione;
Sistemi di machine learning su larga scala compresi sistemi parallelizzati e map-reduce;
R.O. Duda, P.E. Hart, D.G. Stork. Pattern Classification (2001) John Wiley & Sons.
Mutuazione: 20410432 IN550 – MACHINE LEARNING in Scienze Computazionali LM-40 CASTIGLIONE Filippo
Programma
Introduzione al Machine Learning: cosa è l'apprendimento automatico; a cosa mira, quali sono i problemi; quali sono gli strumenti teorici utilizzati; panoramica degli argomenti che saranno trattati durante il corso.Supervised and unsupervised learning; Model representation; La funzione costo; L'algoritmo della discesa del gradiente;
La regressione lineare; Il gradient descent per la regressione lineare; La regressione logistica; Il gradient descent per la regressione logistica; La normal equation;
Il problema della classificazione; La rappresentazione dell'ipotesi; La funzione costo; Il metodo one-vs-all; Il problema dell'overfitting; La regolarizzazione nella regressione lineare e in quella logistica;
Il percettrone; Le Neural Networks; L'algoritmo di Error-back propagation; L'inizializzazione casuale dei pesi;
La selezione del modello; Il train, validation e test set; La diagnosi mediante bias e variance; Le curve di apprendimento; L'analisi degli errori;
Support Vector Machines;
Classificazione mediante l'algoritmo K-means;
Analisi delle componenti principali (PCA) per la riduzione della dimensionalità;
Algoritmi di rilevamento anomalie;
Sistemi di raccomandazione;
Sistemi di machine learning su larga scala compresi sistemi parallelizzati e map-reduce;
Testi Adottati
C.M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006R.O. Duda, P.E. Hart, D.G. Stork. Pattern Classification (2001) John Wiley & Sons.
Modalità Erogazione
Le lezioni verranno svolte in aula mediante l'uso di proiezioni e della lavagna. Le slides proiettate costituiscono il principale materiale di studio.Modalità Frequenza
La frequenza non e' obbligatoria ma fortemente consigliata poiche' parte delle lezioni verranno fatte in laboratorio e consisteranno nella scrittura di parte di algoritmo di machine learning visti nella parte teorica.Modalità Valutazione
La verifica dell’apprendimento avviene attraverso una prova scritta della durata di 2 ore circa e di una parte orale. Lo scritto è organizzato attraverso un certo numero di quesiti a risposta multipla e qualche altro esercizio a risposta aperta, finalizzati a verificare il livello di comprensione effettiva dei concetti e la capacità degli studenti di applicarli in contesti reali.
scheda docente
materiale didattico
Supervised and unsupervised learning; Model representation; La funzione costo; L'algoritmo della discesa del gradiente;
La regressione lineare; Il gradient descent per la regressione lineare; La regressione logistica; Il gradient descent per la regressione logistica; La normal equation;
Il problema della classificazione; La rappresentazione dell'ipotesi; La funzione costo; Il metodo one-vs-all; Il problema dell'overfitting; La regolarizzazione nella regressione lineare e in quella logistica;
Il percettrone; Le Neural Networks; L'algoritmo di Error-back propagation; L'inizializzazione casuale dei pesi;
La selezione del modello; Il train, validation e test set; La diagnosi mediante bias e variance; Le curve di apprendimento; L'analisi degli errori;
Support Vector Machines;
Classificazione mediante l'algoritmo K-means;
Analisi delle componenti principali (PCA) per la riduzione della dimensionalità;
Algoritmi di rilevamento anomalie;
Sistemi di raccomandazione;
Sistemi di machine learning su larga scala compresi sistemi parallelizzati e map-reduce;
R.O. Duda, P.E. Hart, D.G. Stork. Pattern Classification (2001) John Wiley & Sons.
Mutuazione: 20410432 IN550 – MACHINE LEARNING in Scienze Computazionali LM-40 CASTIGLIONE Filippo
Programma
Introduzione al Machine Learning: cosa è l'apprendimento automatico; a cosa mira, quali sono i problemi; quali sono gli strumenti teorici utilizzati; panoramica degli argomenti che saranno trattati durante il corso.Supervised and unsupervised learning; Model representation; La funzione costo; L'algoritmo della discesa del gradiente;
La regressione lineare; Il gradient descent per la regressione lineare; La regressione logistica; Il gradient descent per la regressione logistica; La normal equation;
Il problema della classificazione; La rappresentazione dell'ipotesi; La funzione costo; Il metodo one-vs-all; Il problema dell'overfitting; La regolarizzazione nella regressione lineare e in quella logistica;
Il percettrone; Le Neural Networks; L'algoritmo di Error-back propagation; L'inizializzazione casuale dei pesi;
La selezione del modello; Il train, validation e test set; La diagnosi mediante bias e variance; Le curve di apprendimento; L'analisi degli errori;
Support Vector Machines;
Classificazione mediante l'algoritmo K-means;
Analisi delle componenti principali (PCA) per la riduzione della dimensionalità;
Algoritmi di rilevamento anomalie;
Sistemi di raccomandazione;
Sistemi di machine learning su larga scala compresi sistemi parallelizzati e map-reduce;
Testi Adottati
C.M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006R.O. Duda, P.E. Hart, D.G. Stork. Pattern Classification (2001) John Wiley & Sons.
Modalità Erogazione
Le lezioni verranno svolte in aula mediante l'uso di proiezioni e della lavagna. Le slides proiettate costituiscono il principale materiale di studio.Modalità Frequenza
La frequenza non e' obbligatoria ma fortemente consigliata poiche' parte delle lezioni verranno fatte in laboratorio e consisteranno nella scrittura di parte di algoritmo di machine learning visti nella parte teorica.Modalità Valutazione
La verifica dell’apprendimento avviene attraverso una prova scritta della durata di 2 ore circa e di una parte orale. Lo scritto è organizzato attraverso un certo numero di quesiti a risposta multipla e qualche altro esercizio a risposta aperta, finalizzati a verificare il livello di comprensione effettiva dei concetti e la capacità degli studenti di applicarli in contesti reali.