Insegnamento NEURAL NETWORKS AND LEARNING ALGORITHMS
- Corso
- Ingegneria elettronica
- Codice insegnamento
- A005870
- Curriculum
- Industrial electronics
- Docente
- Renzo Perfetti
- Docenti
-
- Renzo Perfetti
- Ore
- 72 ore - Renzo Perfetti
- CFU
- 9
- Regolamento
- Coorte 2025
- Erogato
- 2025/26
- Attività
- Affine/integrativa
- Ambito
- Attività formative affini o integrative
- Settore
- ING-IND/31
- Tipo insegnamento
- Opzionale (Optional)
- Tipo attività
- Attività formativa monodisciplinare
- Lingua insegnamento
- ITALIANO
- Contenuti
- Introduzione alle reti neurali e agli algoritmi di apprendimento automatico per la classificazione e la regressione.
- Testi di riferimento
- Duda, Hart , Stork, Pattern Classification, 2nd ed., Wiley C.M. Bishop, Pattern Recognition and Machine Learning, Springer James, Witten, Hastie, Tibshirani, An Introduction to Statistical Learning, Springer S. Haykin, Neural Networks, Prentice-Hall N. Cristianini, J. Shawe-Taylor, An Introduction to Support Vector Machines, Cambridge University Press
- Obiettivi formativi
- Comprensione dei principali algoritmi di apprendimento automatico e delle problematiche relative alla loro applicazione e valutazione nel riconoscimento e nell'analisi dei dati
- Prerequisiti
- Calcolo delle probabilità e variabili aleatorie. Algebra lineare.
- Metodi didattici
- Lezioni frontali
- Modalità di verifica dell'apprendimento
- Esame orale
- Programma esteso
- Richiami su forme quadratiche e variabili aleatorie. Introduzione all’apprendimento automatico. Classificazione Bayesiana. Classificazione parametrica e non parametrica (k-NN). Stima MLE. Misture di Gaussiane. Expectation Maximization. Separazione lineare. Perceptron. Steepest descent. Algoritmo LMS. Separazione lineare multiclasse. Prestazioni di un classificatore: overfitting, bias e varianza, curva ROC, matrice di confusione. Test e validazione di un classificatore. Reti neurali multistrato. Algoritmo error backpropagation. Tecniche di regolarizzazione. Cenni alle reti neurali ricorrenti e al deep learning. Support Vector Machines lineari e non lineari. Algoritmi di clustering. PCA. Reti neurali auto-organizzanti. Regressione lineare. Reti neurali per la regressione.