Insegnamento RETI NEURALI E ALGORITMI DI APPRENDIMENTO

Nome del corso di laurea Ingegneria elettronica per l'internet-of-things
Codice insegnamento A003199
Curriculum Industrial iot
Docente responsabile Renzo Perfetti
Docenti
  • Renzo Perfetti
Ore
  • 72 Ore - Renzo Perfetti
CFU 9
Regolamento Coorte 2024
Erogato Erogato nel 2024/25
Erogato altro regolamento
Attività Affine/integrativa
Ambito Attività formative affini o integrative
Settore ING-IND/31
Anno 1
Periodo Secondo Semestre
Tipo insegnamento Opzionale (Optional)
Tipo attività Attività formativa monodisciplinare
Lingua insegnamento ITALIANO
Contenuti Introduzione alle reti neurali e agli algoritmi di apprendimento automatico per la classificazione e la regressione.
Testi di riferimento Duda, Hart , Stork, Pattern Classification, 2nd ed., Wiley

C.M. Bishop, Pattern Recognition and Machine Learning, Springer

James, Witten, Hastie, Tibshirani, An Introduction to Statistical Learning, Springer

S. Haykin, Neural Networks, Prentice-Hall

N. Cristianini, J. Shawe-Taylor, An Introduction to Support Vector Machines, Cambridge
University Press
Obiettivi formativi Comprensione dei principali algoritmi di apprendimento automatico e delle problematiche relative alla loro applicazione e valutazione nel riconoscimento e nell'analisi dei dati
Prerequisiti Calcolo delle probabilità e variabili aleatorie. Algebra lineare.
Metodi didattici Lezioni frontali ed esercitazioni pratiche con Matlab
Modalità di verifica dell'apprendimento Esame orale
Programma esteso Richiami su forme quadratiche e variabili aleatorie. Introduzione all’apprendimento automatico. Regressione lineare semplice e multipla. Selezione delle variabili. Dati non ideali. Ridge e LASSO. MLE. Steepest descent. Classificazione Bayesiana. Classificazione parametrica e non parametrica (k-NN). Misture di Gaussiane. Logistic regression. Separazione lineare. Perceptron. Algoritmo LMS. Separazione lineare multiclasse. Prestazioni di un classificatore: overfitting, bias e varianza, curva ROC, matrice di confusione. Test e validazione di un classificatore. Reti neurali multistrato. Algoritmo error backpropagation. Tecniche di regolarizzazione. Cenni alle reti convoluzionali e ricorrenti. Support Vector Machines lineari e non lineari. Algoritmi di clustering (k-means, k-medoids, gerarchici, GMMs, DBSCAN). Silhouette. PCA. Uso delle funzioni di Matlab dei toolbox Statistics and Machine Learning e Deep Neural Networks.
Condividi su