Catalogo dei Corsi di studio

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.

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
Deep Reinforcement Learning
HMM
POMDP

Testi adottati

Machine Learning, Tom Mitchell.
Pattern Recognition and Machine Learning, Chris Bishop.
Machine Learning: a Probabilistic Perspective, Kevin Murphy.
Introduction to Machine Learning, Ethem Alpaydin.
Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville.
Reinforcement Learning, Sutton and Barto.

Prerequisiti

Conoscenze di base di linguaggi di programmazione, algoritmi fondamentali, strutture dati, probabilità e statistica.

Modalità di valutazione

L'esame consiste in una prova scritta.