Insegnamento MACHINE LEARNING AND DATA MINING
- Corso
- Ingegneria informatica e robotica
- Codice insegnamento
- 70A00033
- Curriculum
- Comune a tutti i curricula
- Docente
- Thomas Alessandro Ciarfuglia
- Docenti
-
- Thomas Alessandro Ciarfuglia
- Ore
- 72 ore - Thomas Alessandro Ciarfuglia
- CFU
- 9
- Regolamento
- Coorte 2017
- Erogato
- 2017/18
- Attività
- Caratterizzante
- Ambito
- Ingegneria informatica
- Settore
- ING-INF/04
- Tipo insegnamento
- Obbligatorio (Required)
- Tipo attività
- Attività formativa monodisciplinare
- Lingua insegnamento
- ITALIANO
- Contenuti
- 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 - Testi di riferimento
- 1. "The Elements of Statistica lLearning", 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 - 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.
Conoscenza teorica e pratica delle problematiche inerenti ai Big Data. - Prerequisiti
- Algebra lineare, Analisi, Teoria della probabilità, Fondamenti di programmazione
- Metodi didattici
- Lezioni frontali, esercitazioni di laboratorio.
- Altre informazioni
- ...
- Modalità di verifica dell'apprendimento
- Esame orale più tesina
- 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