FOUNDATIONS OF MACHINE LEARNING
- Anno accademico
- 2022/2023 Programmi anni precedenti
- Titolo corso in inglese
- FOUNDATIONS OF MACHINE LEARNING
- Codice insegnamento
- CM0623 (AF:398295 AR:214942)
- Lingua di insegnamento
- Inglese
- Modalità
- In presenza
- Crediti formativi universitari
- 6 su 12 di FOUNDATIONS OF ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING
- Livello laurea
- Laurea magistrale (DM270)
- Settore scientifico disciplinare
- INF/01
- Periodo
- I Semestre
- Anno corso
- 1
- Sede
- VENEZIA
- Spazio Moodle
- Link allo spazio del corso
Inquadramento dell'insegnamento nel percorso del corso di studio
Il corso si propone di fornire un'introduzione ai principi, alle tecniche e alle principali applicazioni dell'intelligenza artificiale, con particolare riferimento all'inferenza, all'apprendimento automatico e al riconoscimento delle forme.
Risultati di apprendimento attesi
1. Conoscenza e comprensione
1.1. acquisire i modelli principali e gli algoritmi di machine learning e pattern recognition
2. Capacità di applicare conoscenza e comprensione
2.1. saper applicare i modelli studiati a problemi reali
2.2. sapere valutare criticamente le prestazioni ed il comportamento di un modello applicato ad un problema concreto
3. Capacità di giudizio
3.1. sapere comprendere quali caratteristiche dei vari modelli studiati meglio si adattano ad un problema dato
3.2. saper valutare criticamente le caratteristiche teoriche dei modelli proposti;
1.1. acquisire i modelli principali e gli algoritmi di machine learning e pattern recognition
2. Capacità di applicare conoscenza e comprensione
2.1. saper applicare i modelli studiati a problemi reali
2.2. sapere valutare criticamente le prestazioni ed il comportamento di un modello applicato ad un problema concreto
3. Capacità di giudizio
3.1. sapere comprendere quali caratteristiche dei vari modelli studiati meglio si adattano ad un problema dato
3.2. saper valutare criticamente le caratteristiche teoriche dei modelli proposti;
Prerequisiti
Familiarita' con i concetti fondamentali dell'analisi matematica e del calcolo delle probabilità.
Contenuti
Teoria dell'informazione e inferenza: codifica di sorgente, codifica di canale.
Apprendimento e inferenze con le reti neurali: modelli "feed-forward", architetture "profonde" (deep learning) e modelli analoghi.
Statistical learning theory, support vector machines e metodi "kernel".
Apprendimento non supervisionato e semi-supervisionato: K-means, clustering "spettrale", insiemi dominanti, modelli basati sulla teoria dei giochi.
Apprendimento e inferenze con le reti neurali: modelli "feed-forward", architetture "profonde" (deep learning) e modelli analoghi.
Statistical learning theory, support vector machines e metodi "kernel".
Apprendimento non supervisionato e semi-supervisionato: K-means, clustering "spettrale", insiemi dominanti, modelli basati sulla teoria dei giochi.
Testi di riferimento
D. J. C. MacKay. Information Theory, Inference, and Learning Algorithms. Cambridge University Press, 2003.
I. Goodfellow, Y. Bengio and A. Courville. Deep Learning, MIT Press, 2016.
I. Goodfellow, Y. Bengio and A. Courville. Deep Learning, MIT Press, 2016.
Modalità di verifica dell'apprendimento
L'esame consiste in una prova orale e in una discussione di un progetto concordato preventivamente con il docente.
Modalità di esame
orale
Metodi didattici
Presentazione powerpoint e lavagna.
Altre informazioni
Per favorire uno studio "attivo" degli argomenti trattati, lo studente sviluppera un semplice progetto, concordato con il docente, che sara poi oggetto di discussione in sede di esame.
Programma definitivo.
Data ultima modifica programma: 05/07/2022