Docente

• Prof. Christian Micheloni
• Prof. Aggr. Claudio Piciarelli
  

Indirizzo e-mail

christian.micheloni@uniud.it

claudio.piciarelli@uniud.it

Indirizzo Pagina Web Personale

http://www.dimi.uniud.it/members/christian.micheloni/

http://users.dimi.uniud.it/~claudio.piciarelli/

Crediti

6 CFU

Finalità e obiettivi formativi

La finalità del Corso è quella di presentare i concetti base del machine learning ed introdurre gli algoritmi più comuni per l’apprendimento attraverso elaboratori digitali. L’obiettivo formativo è quello di dotare gli studenti delle conoscenze necessarie per risolvere problemi reali mediante l’individuazione e sviluppo degli opportuni algoritmi di machine learning.. Il corso sarà costituito da una parte teorica di descrizione dei algoritmi classici di Machine Learning e da una parte laboratoriale in cui tali metodologie vengono applicate mediante il linguaggio MATLAB.

Conoscenze e abilità da acquisire

Lo studente dovrà conoscere gli algoritmi fondamentali di Machine Learning e la loro classificazione. Inoltre, mediante le attività laboratoriali lo studente svilupperà specifiche conoscenze applicative e metodologiche per individuare la soluzione di nuovi problemi nel campo del Machine Learning. Attraverso le esercitazioni ed il contest finale, lo studente svilupperà autonomia di giudizio per la individuazione delle migliori tecniche di Machine Learning e abilità comunicative di tipo scientifico nel redigere il rapporto tecnico finale del contest seguendo gli schemi di pubblicazione forniti dal docente.

Programma

1. Introduzione – Presentazione del corso e dei concetti base del machine learning quali vettori e spazi di feature. Applicazioni di machine learning quali classificazione, regressione, clustering e compressione dei dati. Classificazione delle tecniche di machine learning in supervisionato e non supervisionato.
2. Statitical learning theory -
3. Regressione – Tecniche di regressione lineare (minimizzazione della funzione costo mediante discensa del gradiente, least squares, polynomial regression). Logistic regression di tipo binomiale e polinomiale.
4. Algoritmi Supervisionati - Introduzione agli algoritmi di classificazione. Presentazione degli algoritmi di classificazione più diffusi (Alberi di decisione, reti neurali, kernel, support vector machines, boosting)
5. Algoritmi Non Supervisionati – Definizione di clustering e principali tecniche di clusteirng (k-means, GMM, EM, etc.) . Presentazione delle tecniche di compressione dei dati mediante algoritmi di dimensionality reduction quali PCA,ICA e LDA.
6. Applicazioni – uso di algoritmi di machine learning per scopi reali quali la percezione, analisi del testo, visione artificiale, medicina, economia e altri.

Attività di Laboratorio

Le attività di laboratorio prevedono diverse esercitazioni per l’applicazione degli algoritmi di Machine Learning utilizzando il linguaggio di programmazione MATLAB.

Prerequisiti

Sono prerequisiti del corso la conoscenza dell’algebra lineare e dei paradigmi di programmazione.

Bibliografia

Testi consigliati:

[1]     Tom M. Mitchell, Machine Learning. McGraw-Hill, 1997.

[2]     Christopher M . Bishop, Pattern Recognition and Machine Learning, Information Science and Statistics, 2006

Modalità d'esame

L’esame consiste in una prova scritta seguita dall’eventuale esame orale. Agli studenti verrà data la possibilità di partecipare ad un contest relativo alla soluzione di problemi di Machine Learning per l’acquisizione di punti per il voto finale

Orario di ricevimento

L’orario di ricevimento è concordato all’inizio del corso con gli studenti e pubblicizzato attraverso Esse3. Gli studenti possono chiedere per e-mail ricevimenti aggiuntivi oltre a quello standard.