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 | Renzo Perfetti |
| Docenti |
|
| Ore |
|
| CFU | 9 |
| Regolamento | Coorte 2019 |
| Erogato | Erogato nel 2019/20 |
| 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 alle principali tecniche di machine learning per l'analisi dei dati. |
| Testi di riferimento | R.O. Duda, P.E. Hart,D.G. Stork, Pattern Classification, 2nd ed., Wiley, 2012 G. James, D. Witten, T. Hastie, R. Tibshirani, An Introduction to Statistical Learning, Springer, 2013 C.M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006 N. Cristianini, J. Shawe-Taylor, An Introduction to Support Vector Machines, Cambridge Univ. Press, 2000 Slides e materiale disponibili online. |
| Obiettivi formativi | Conoscere i concetti fondamentali relativi al machine learning e all'analisi statistica dei dati. Saper utilizzare le principali tecniche di machine learning nell'analisi di dati reali. |
| Prerequisiti | Geometria, Matematica Discreta, Calcolo delle Probabilità |
| Metodi didattici | Lezioni in aula e laboratorio. |
| Modalità di verifica dell'apprendimento | Esame orale e svolgimento di una tesina sugli argomenti sviluppati in laboratorio. |
| Programma esteso | Generalità sul machine learning. Introduzione al linguaggio Python. Richiami sulle variabili aleatorie e sulle forme quadratiche. Regressione lineare. Regressione logistica. Exploratory Data Analysis. Stima a massima verosimiglianza. Stima di densità normali multivariate. Expectation Maximization. Classificazione Bayesiana. LDA e QDA. Naive Bayes. Metodo k-NN. Problemi di selezione e riduzione delle features. Overfitting e generalizzazione. Misura delle prestazioni di un classificatore. Separazione lineare. Perceptron. Metodi steepest descent. Support Vector Machines. Ottimizzazione convessa. Kernel SVMs. Reti neurali. MLP. Error Backpropagation. Regolarizzazione. Metodi non supervisionati. Clustering. PCA. SVD. |