Insegnamento MACHINE LEARNING AND DATA ANALYSIS
| Nome del corso di laurea | Ingegneria informatica e robotica |
|---|---|
| Codice insegnamento | A002336 |
| Curriculum | Comune a tutti i curricula |
| Docente responsabile | Gabriele Costante |
| Docenti |
|
| Ore |
|
| CFU | 9 |
| Regolamento | Coorte 2021 |
| Erogato | Erogato nel 2021/22 |
| Erogato altro regolamento | |
| Attività | Caratterizzante |
| Ambito | Ingegneria informatica |
| Settore | ING-INF/04 |
| Anno | 1 |
| Periodo | Primo Semestre |
| Tipo insegnamento | Obbligatorio (Required) |
| Tipo attività | Attività formativa monodisciplinare |
| Lingua insegnamento | ITALIANO |
| Contenuti | Introduzione al Machine Learning. Regressione Lineare. Modelli Discriminativi e Generativi per la classificazione. Support Vector Machines. Reti neurali. Unsupervised learning. Esempi di Applicazione. Esercitazioni guidate in laboratorio su Python su analisi di dati con techine di Machine Learning. |
| Testi di riferimento | 1. "The Elements of Statistical Learning", T. Hastie, R. Tibishirani, J. Friedman, Springer (free) 2. "Pattern Recognition and Machine Learning", C. M. Bishop, Springer 3. "An Introduction to Statistical Learning, with application in R", G. James, D. Witten, T. Hastie, R. Tibshirani, Springer (free) 4. "Python Machine Learning", S. Raschka, PACKT Publishing 5. N. Cristianini, J. Shawe-Taylor, An Introduction to Support Vector Machines, Cambridge Univ. Press, 2000 6. R.O. Duda, P.E. Hart,D.G. Stork, Pattern Classification, 2nd ed., Wiley, 2012 Dispense a cura del docente disponibili su UNISTUDIUM - PIATTAFORMA DI E-LEARNING DELL'UNIVERSITÀ DEGLI STUDI DI PERUGIA (https://www.unistudium.unipg.it/unistudium/ ) |
| Obiettivi formativi | Conoscenza dei problemi di regressione e classificazione e delle tecniche principali per affrontarli. Capacità di pre-elaborare e analizzare dati al fine di sviluppare correttamente algoritmi di apprendimento su di essi. Capacità di analizzare e risolvere le criticità della pipeline di apprendimento, quando i risultati non siano soddisfacenti. Capacità di utilizzare alcune delle principali librerie per l'addestramento di algoritmi di apprendimento. |
| Prerequisiti | Al fine di comprendere i contenuti presentati e conseguire gli obiettivi di apprendimento è utile possedere una buona conoscenza di Algebra lineare, Analisi, Teoria della probabilità, Fondamenti di programmazione |
| Metodi didattici | L’insegnamento è organizzato come segue:- lezioni frontali in aula;- lezioni frontali a carattere seminariale- esercitazioni guidate presso il Laboratorio di Informatica sull’utilizzo di tecniche di Machine Learning per l’analisi di dati in Python. In ogni esercitazione gli studenti vengono distribuiti su 30 postazioni di lavoro. Strumenti di supporto alla didattica: lavagna e PC+proiettore, PC. |
| Altre informazioni | I Semestre (maggiori dettagli vengono riportati al link http: //www.ing.unipg.it/it/didattica/studiare-nei-nostri-corsi/orario-delle-lezioni ). |
| Modalità di verifica dell'apprendimento | Le conoscenze relative all’insegnamento vengono accertate attraverso una Prova orale e una Prova pratica (tesina). La prova orale prevede la discussione del progetto (tesina) presentato e due domande su argomenti scelti dal docente, e dura circa 45 minuti. La prova è volta ad accertare la compresione, da parte dello studente, degli strumenti teorici fondamentali forniti dall'insegnamento, nonchè le relazioni tra tali strumenti e le tematiche generali dell'ingegneria informatica. Il progetto presentato viene utilizzato per verificare le capacità di utilizzo di tecniche di Machine Learning per l’analisi di dati su problemi reali. Le prenotazioni alle prove di esame avvengono tramite il portale SOL: https://www.segreterie.unipg.it/ Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA visita la pagina http://www.unipg.it/disabilita-e-dsa |
| Programma esteso | Introduzione al ML Ottimizzazione Convessa Regressione Lineare Classificazione (Logistic Regression, KNN, LDA, QDA) Generative models (Probabilità, Naive Bayes Classifiers) Sviluppo di applicazioni di Machine Learning Model selection Support Vector Machines Neural Networks Unsupervised Learning (K-means, K-medoids, EM, Factor Analysis, PCA, ICA) Big data e Data Mining Applicazioni |