Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Ingegneria
INGEGNERIA INFORMATICA
Insegnamento
MACHINE LEARNING - APPRENDIMENTO AUTOMATICO (Numerosita' canale 2)
INP6075419, A.A. 2017/18

Informazioni valide per gli studenti immatricolati nell'A.A. 2017/18

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
INGEGNERIA INFORMATICA
IN0521, ordinamento 2009/10, A.A. 2017/18
N2cn2
porta questa
pagina con te
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese MACHINE LEARNING
Dipartimento di riferimento Dipartimento di Ingegneria dell'Informazione (DEI)
Sito E-Learning https://elearning.dei.unipd.it/course/view.php?idnumber=2017-IN0521-000ZZ-2017-INP6075419-N2CN2
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile FABIO VANDIN


Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
AFFINE/INTEGRATIVA Attività formative affini o integrative ING-INF/04 3.0
CARATTERIZZANTE Ingegneria informatica ING-INF/05 3.0

Modalità di erogazione
Periodo di erogazione Primo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Organizzazione della didattica
Tipo ore Crediti Ore di
Corso
Ore Studio
Individuale
Turni
LEZIONE 6.0 48 102.0 Nessun turno

Calendario
Inizio attività didattiche 25/09/2017
Fine attività didattiche 19/01/2018

Commissioni d'esame
Commissione Dal Al Membri
1 A.A. 2016/2017 01/10/2016 15/03/2018 CHIUSO ALESSANDRO (Presidente)
VANDIN FABIO (Membro Effettivo)
PILLONETTO GIANLUIGI (Supplente)
ZORZI MATTIA (Supplente)

Syllabus
Prerequisiti: Conoscenze di Base di Probabilita', Statistica e Algebra Lineare
Conoscenze e abilita' da acquisire: Lo scopo del corso e' di fornire i principi fondamentali del problema di apprendimento e di introdurre i principali algoritmi per la regressione e la classificazione. Verranno trattati problemi di apprendimento supervisionato e non supervisionato; se possibile saranno inclusi anche alcuni argomenti piu' avanzati come sparsita e "boosting". Il corso includera' esercitazioni al calcolatore.
Modalita' di esame: Esame scritto ed esercitazioni al calcolatore.
Criteri di valutazione: Conoscenza degli strumenti per la predizione (regressione e classificazione). Abilita' analitica e pratica nell'uso di questi strumenti per la soluzione di semplici problemi.
Contenuti: Motivazioni, componenti del problema di apprendimento e applicazioni dell'apprendimento automatico. Apprendimento supervisionato e non supervisionato.

Parte I: Apprendimento supervisionato.

Introduzione: Dati - classi di modelli - funzioni di costo
Modelli probabilistici e ipotesi sui dati
Modelli, funzioni costo e funzione di regressione. Regressione Classificazione

Bonta' di un modello, complessita', compromesso tra distorsione e varianza (dimensione di Vapnik0Cervonenkis - errore di generalizzazione)

Minimi quadrati, Massima Verosimiglianza e Probabilita' a posteriori.

Modelli per la regressione: regressione lineare (scalare e multivariata) -Paradosso di Stein e Regolarizzazione. Selezione di Variabili. Modelli Linerari nei parametri, Regolarizzazione. Modelli Locali e Globali (Kernels e NNR).

Riduzione della dimensionalita: Regressione alle componenti principali, Minimi Quadrati Parziali.

Classi di modelli non lineari: Sigmoidi, Reti Neurali.

Metodi "Kernel'': Support Vectors Machines.

Metodi per la classificazione: Discriminanti Lineari, Regressione Logistica, NN, Perceptron, Classificatore di Bayes, SVM

Validazione e selezione dei modelli: Errore di Generalizzazione, Compromesso tra distorsione e varianza, Cross Validation, SURE. Determinazione della Complessita del modello.

Parte II: Apprendimento non supervisionato

Analisi di clusters: K-means, misture di Gaussiane e stima EM. Riduzione della dimensionalita': analisi alle componenti principali (PCA)
Attivita' di apprendimento previste e metodologie di insegnamento: Lezioni teoriche ed esercitazioni. Esercitazioni al calcolatore (in laboratorio).
Eventuali indicazioni sui materiali di studio: Il corso sara basato sui libri di testo: "Machine Learninga probabilistic perspective", "Pattern Recognition and Machine Learning", "The Elements of Statistical Learning" e "Understanding Machine Learning: from Theory to Algorithms" (vedi Sezione "Testi di Riferimento")
Testi di riferimento:
  • T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning.. --: Springer, 2008. Cerca nel catalogo
  • C. M. Bishop, Pattern Recognition and Machine Learning. --: Springer, 2006. Cerca nel catalogo
  • Shalev-Shwartz, Shai; Ben-David, Shai, Understanding machine learningfrom theory to algorithms.. --: Cambridge University Press, 2014. Cerca nel catalogo
  • Murphy, Kevin P., Machine Learninga probabilistic perspective. --: Mit press, 2012. Cerca nel catalogo