Questo insegnamento è presente in più gruppi opzionali: quale gruppo scegli?

Obiettivi

Obiettivi generali
Il corso introduce le motivazioni, paradigm e applicazioni dei sistemi di apprendimento automatic. Si tratta di un corso introduttivo.

Obiettivi specifici
Apprendimento supervisionato: alberi di decisione, apprendimento di istanze, naïve Bayes, support vector machine, neural networks, deep learning, ensamble methods. Apprendimento non supervisionato: clustering, association rules. Apprendimento semi-supervisionato: Reinforcement learning. Genetic algorithms e genetic programming. Problemi generali: underfitting, overfitting, model selection, error analysis.

Conoscenza e comprensione:
Gli studenti impareranno quali algoritmi si adattano meglio a quali categorie di problemi, come descrivere il dominio dell'applicazione, come regolare parametri e iperparametri del modello, come testare le prestazioni.

Applicazione di conoscenza e comprensione:
Gli studenti faranno esperimenti utilizzando toolkits di ML quali Weka, Tensor Flow e scikit-lear.

Autonomia di giudizio:
Gli studenti saranno in grado di comprendere le categorie di problemi che possono essere risolti in modo efficiente con algoritmi di apprendimento automatico, a quali condizioni.

Abilità comunicative:
Queste saranno valutate durante gli esami scritti e la reportistica del progetto.

Capacità di apprendimento successivo:
Gli studenti riceveranno una solida base per approfondire ulteriormente i metodi più avanzati, come il deep learning, l'apprendimento probabilistico ed altri.

Canali

NESSUNA CANALIZZAZIONE

PAOLA VELARDI PAOLA VELARDI   Scheda docente

Programma

Apprendimento supervisionato, non supervisionato, semi-supervisionato. metodi algebrici logici e probabilistici. Introduzione al deep learning

Testi adottati

vedere http://twiki.di.uniroma1.it/twiki/view/ApprAuto

Bibliografia di riferimento

http://twiki.di.uniroma1.it/twiki/view/ApprAuto

Prerequisiti

Nozioni di base logica e algoritmi- python and/or java

Modalità di svolgimento

lezioni ed esercitazioni

Modalità di valutazione

prove in itinere, prova scritta, progetto

Data inizio prenotazione Data fine prenotazione Data appello
01/01/2020 28/01/2020 29/01/2020
19/04/2020 29/04/2020 30/04/2020
20/05/2020 14/06/2020 15/06/2020
28/07/2020 28/07/2020 29/07/2020
15/08/2020 10/09/2020 11/09/2020
Scheda insegnamento
  • Anno accademico: 2019/2020
  • Curriculum: Multimedia Computing and Interaction
  • Anno: Primo anno
  • Semestre: Primo semestre
  • SSD: INF/01
  • CFU: 6
Caratteristiche
  • Attività formative caratterizzanti
  • Ambito disciplinare: Discipline Informatiche
  • Ore esercitazioni: 36
  • Ore Aula: 24
  • CFU: 6.00
  • SSD: INF/01