Control Engineering - Ingegneria Automatica

MACHINE LEARNING

Obiettivi formativi

Obiettivi generali: L’obiettivo del corso è presentare un ampio spettro di metodi e algoritmi di apprendimento automatico, discutendone le proprietà e i criteri di applicabilità e di convergenza. Si presentano anche diversi esempi di impiego efficace delle tecniche di apprendimento automatico in diversi scenari applicativi. Gli studenti avranno la capacità di risolvere problemi di apprendimento automatico, partendo da una corretta formulazione del problema, con la scelta di un opportuno algoritmo, e sapendo condurre un’analisi sperimentale per valutare i risultati ottenuti. Obiettivi specifici: Conoscenza e comprensione: Fornire un'ampia panoramica sui principali metodi e algoritmi di apprendimento automatico per i problemi di classificazione, regressione, apprendimento, non-supervisionato e apprendimento per rinforzo. I diversi problemi affrontati vengono definiti formalmente e vengono fornite sia le basi teoriche sia informazione tecniche per comprendere le soluzioni adottate. Applicare conoscenza e comprensione: Risolvere problemi specifici di apprendimento automatico a partire da insiemi di dati, mediante l'applicazione delle tecniche studiate. Lo svolgimento di due homework (piccoli progetti da svolgere a casa) consente agli studenti di applicare le conoscenze acquisite. Capacità critiche e di giudizio: Essere in grado di valutare la qualità di un sistema di apprendimento automatico usando opportune metriche e metodologie di valutazione. Capacità comunicative: Produrre un rapporto tecnico che descrive i risultati degli homework, acquisendo quindi la capacità di comunicare i risultati ottenuti dall'applicazione delle conoscenze acquisite nella soluzione di un problema specifico. Assistere ad esempi di comunicazione e condivisione dei risultati raggiunti in applicazioni reali forniti da esperti all'interno di seminari erogati durante il corso. Capacità di apprendimento: Approfondimento autonomo di alcuni argomenti presentati nel corso tramite lo svolgimento di homework, con possibilità anche di lavorare insieme ad altri studenti (lavoro di gruppo) per risolvere problemi specifici.

Canale 1

LUCA IOCCHI Scheda docente

Programmi - Frequenza - Esami

Programma

Classification - Basic concepts and evaluation - Decision Trees - Bayes Learning - Linear Models - Support Vector Machines - Kernels - Multiple classifiers - Regression - Linear and logistic regression - Instance based (K-NN) - Perceptron - Neural networks - Deep neural networks (CNN) Unsupervised learning - Clustering (k-Means) - Latent variables (EM) Reinforcement learning - MDP - Q-learning

Prerequisiti

Nozioni matematiche di base Conoscenze di base di probabilità e statistica Conoscenza di base su algoritmi e strutture dati Conoscenze di base su problemi di ricerca

Testi di riferimento

Dispense distribuite durante il corso Altri testi per consultazione - Machine Learning, Tom Mitchell. - Pattern Recognition and Machine Learning, Chris Bishop - Machine Learning: a Probabilistic Perspective, Kevin Murphy - Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville

Frequenza

Frequenza in aula fortemente consigliata

Modalità di esame

Prova scritta

Modalità di erogazione

Lezioni in aula in presenza