B018973 - APPRENDIMENTO AUTOMATICO

Italiano

• Apprendimento con supervisione.


• Modelli lineari generalizzati. Reti neurali.


• Macchine a vettori di supporto. Kernels.


• Teoria computazionale dell'apprendimento .


• Apprendimento non supervisionato.


• Modelli grafici probabilistici.


• Apprendimento relazionale.


• Reti neurali e apprendimento delle features.


• Applicazioni.

• [HTF09] T. Hastie, R. Tibshirani, and J. Friedman (2009) Freely available online.


• Barber, D. (2012). Freely available online.


• Several scientific papers (see "materials" in the lectures list)

Imparerete vari algoritmi fondamentali ed avanzati per l'apprendimento statistico, conoscerete gli aspetti di base della teoria computazionale dell'apprendimento, e sarete in grado di progettare soluzioni allo stato dell'arte per risolvere problemi applicativi.

Una buona conoscenza di un linguaggio di programmazione e solide basi di matematica (analisi, algebra lineare, teoria della probabilità). Conoscenze preliminari di tecniche di ottimizzazione e di statistica sono utili ma non strettamente necessarie.

Lezioni e sessioni pratiche.

B010476: 9 CFU

• L'esame consiste di un'unica prova orale. L'argomento è a vostra scelta
  ma vi consiglio di concordarlo con me prima di iniziare la preparazione.



• Di solito viene assegnata la lettura di alcuni articoli scientifici e potrebbe
  essere richiesto riprodurre alcuni risultati sperimentali.



• Dovrete esporre brevemente (30 minuti) il vostro argomento. Assicuratevi
  che la presentazione includa un'introduzione al problema studiato, una breve rassegna
  della letteratura rilevante, descrizione tecnica del metodo e, se appropriato, una
  descrizione dettagliata del lavoro sperimentale. Potete usare strumenti multimediali
  per la vostra presentazione. Siete responsabili della comprensione
  dei concetti rilevanti e della teoria.



• Potete formare gruppi di due studenti (tre in casi eccezionali e motivati)
  per lavori di tipo sperimentale. In questi casi assicuratevi che il contributo
  apportato da ciascuno di voi sia chiaramente riconoscibile.

B018973: 6 CFU

• L'esame consiste di un'unica prova orale su un sottoinsieme degli argomenti (apprendimento con supervisione, teoria dell'apprendimento, modelli grafici)

<!-- ml.org:it --><table summary="timetable" border="0" cellpadding="5" cellspacing="2"> <tr style="background:#7d0004"> <td style='color:#fff;font-weight: bold'>Data <td style='color:#fff;font-weight: bold' width="50%">Argomenti <td style='color:#fff;font-weight: bold'>Letture e materiale <tr style='background:#eeebde'> 23/09/2014 Presentazione del corso. Applicazioni dell'apprendimento automatico. Apprendimento con supervisione. Concetti chiave nella classifizione: minimizzazione del rischio empirico, errore di Bayes. Analisi discriminante lineare. (3h) HTF09 1,2.4,4.3
R. Socher, J. Bauer, C.D. Manning, and A.Y. Ng. Parsing with Compositional Vector Grammars. Proc. ACL 2013.