Insegnamento MACHINE LEARNING
| Nome del corso di laurea | Informatica |
|---|---|
| Codice insegnamento | A002051 |
| Curriculum | Comune a tutti i curricula |
| Docente responsabile | Valentina Poggioni |
| Docenti |
|
| Ore |
|
| CFU | 9 |
| Regolamento | Coorte 2023 |
| Erogato | Erogato nel 2023/24 |
| Erogato altro regolamento | |
| Attività | Caratterizzante |
| Ambito | Discipline informatiche |
| Settore | INF/01 |
| Anno | 1 |
| Periodo | Secondo Semestre |
| Tipo insegnamento | Obbligatorio (Required) |
| Tipo attività | Attività formativa monodisciplinare |
| Lingua insegnamento | INGLESE |
| Contenuti | Introduzione al machine learning. Approccio supervisionato, semi-supervisionato e non supervisionato. Classificazione, clustering, anomaly detection. Applicazioni alla computer vision e al natural language processing. Introduzione al deep learning. Modelli avanzati di reti neurali. |
| Testi di riferimento | Tan, Steinbach, Karpatne, Kumar. Introduction to Data Mining, 2nd Edition 2019. Pearson Charu C. Aggarwal. Neural Networks and Deep Learning: a text book. Springer 2018 |
| Obiettivi formativi | Lo studente conoscerà i principali metodi del machine learning secondo i vari approcci supervisionato, semi-supervisionato e non supervisionato. Conoscerà inoltre alcuni metodi tipici del deep learning anche applicato a problemi di computer vision e natural language processing. Sarà in grado di progettare implementare, addestrare e testare sistemi intelligenti per la classificazione, il clustering e l'anomaly detection basati su modelli avanzati di reti neurali. |
| Prerequisiti | Nessuna |
| Metodi didattici | Lezioni frontali in aula e lezioni pratiche in laboratorio |
| Altre informazioni | Per qualsiasi altra informazione www.unistudium.unipg.it |
| Modalità di verifica dell'apprendimento | Esame orale e progetto. Prove intermedie durante il corso |
| Programma esteso | Introduzione al machine learning. Approccio supervisionato, semi-supervisionato e non supervisionato. Classificazione (decision trees, rule-based approach, naive bayes, nearest neighbors, SVM, neural networks, ensemble) , clustering (k-means, hierarchical approaches, density based approaches), anomaly detection. Applicazioni alla computer vision e al natural language processing. Introduzione al deep learning. Modelli avanzati di reti neurali (convolutional NN, recurrent NN, generative models). |