Insegnamento MACHINE LEARNING AND DATA MINING
Nome del corso di laurea | Ingegneria informatica e robotica |
---|---|
Codice insegnamento | 70A00033 |
Curriculum | Comune a tutti i curricula |
Docente responsabile | Thomas Alessandro Ciarfuglia |
Docenti |
|
Ore |
|
CFU | 9 |
Regolamento | Coorte 2017 |
Erogato | Erogato nel 2017/18 |
Erogato altro regolamento | Informazioni sull'attività didattica |
Attività | Caratterizzante |
Ambito | Ingegneria informatica |
Settore | ING-INF/04 |
Anno | 1 |
Periodo | Primo Semestre |
Tipo insegnamento | Obbligatorio (Required) |
Tipo attività | Attività formativa monodisciplinare |
Lingua insegnamento | ITALIANO |
Contenuti | Introduzione al ML Ottimizzazione Convessa Regressione Lineare Classificazione (Logistic Regression, KNN, LDA, QDA) Generative models (Probabilità, Naive Bayes Classifiers) Sviluppo di applicazioni di Machine Learning Model selection Support Vector Machines Neural Networks Unsupervised Learning (K-means, K-medoids, EM, Factor Analysis, PCA, ICA) Big data e Data Mining Applicazioni |
Testi di riferimento | 1. "The Elements of Statistica lLearning", T. Hastie, R. Tibishirani, J. Friedman, Springer (free) 2. "Pattern Recognition and Machine Learning", C. M. Bishop, Springer 3. "An Introduction to Statistical Learning, with application in R", G. James, D. Witten, T. Hastie, R. Tibshirani, Springer (free) 4. "Python Machine Learning", S. Raschka, PACKT Publishing |
Obiettivi formativi | Conoscenza dei problemi di regressione e classificazione e delle tecniche principali per affrontarli. Capacità di pre-elaborare e analizzare dati al fine di sviluppare correttamente algoritmi di apprendimento su di essi. Capacità di analizzare e risolvere le criticità della pipeline di apprendimento, quando i risultati non siano soddisfacenti. Capacità di utilizzare alcune delle principali librerie per l'addestramento di algoritmi di apprendimento. Conoscenza teorica e pratica delle problematiche inerenti ai Big Data. |
Prerequisiti | Algebra lineare, Analisi, Teoria della probabilità, Fondamenti di programmazione |
Metodi didattici | Lezioni frontali, esercitazioni di laboratorio. |
Altre informazioni | ... |
Modalità di verifica dell'apprendimento | Esame orale più tesina |
Programma esteso | Introduzione al ML Ottimizzazione Convessa Regressione Lineare Classificazione (Logistic Regression, KNN, LDA, QDA) Generative models (Probabilità, Naive Bayes Classifiers) Sviluppo di applicazioni di Machine Learning Model selection Support Vector Machines Neural Networks Unsupervised Learning (K-means, K-medoids, EM, Factor Analysis, PCA, ICA) Big data e Data Mining Applicazioni |