Insegnamento MACHINE LEARNING
- Corso
- Informatica
- Codice insegnamento
- A002051
- Curriculum
- Comune a tutti i curricula
- Docente
- Valentina Poggioni
- Docenti
-
- Valentina Poggioni
- Ore
- 68 ore - Valentina Poggioni
- CFU
- 9
- Regolamento
- Coorte 2022
- Erogato
- 2022/23
- Attività
- Caratterizzante
- Ambito
- Discipline informatiche
- Settore
- INF/01
- 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 per lo speech recognition. 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 speech recognition. 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 per lo speech recognition. Introduzione al deep learning. Modelli avanzati di reti neurali (convolutional NN, recurrent NN, generative models).