FOUNDATIONS OF MACHINE LEARNING
- Anno accademico
- 2025/2026 Programmi anni precedenti
- Titolo corso in inglese
- FOUNDATIONS OF MACHINE LEARNING
- Codice insegnamento
- CM0635 (AF:576803 AR:323781)
- Lingua di insegnamento
- Inglese
- Modalità
- In presenza
- Crediti formativi universitari
- 6
- 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. Le domande della discussione orale potranno spaziare su tutti gli argomenti trattati a lezione.
Modalità di esame
orale
Il/la docente ha il dovere di vigilare affinché siano rispettate le regole di autenticità e originalità delle prove d'esame. Di conseguenza, nei casi in cui vi sia il sospetto di un comportamento irregolare, l'esame può prevedere un ulteriore approfondimento, contestuale alla prova d'esame, che potrà essere realizzato anche in modalità differente rispetto alle modalità sopra riportate.
Graduazione dei voti
La gradazione del voto è stabilita come segue:
A. I punteggi nell'intervallo 18-22 verranno assegnati in presenza di una conoscenza sufficiente del programma
B. I punteggi nell'intervallo 23-26 verranno assegnati in presenza di una buona conoscenza del programma
C. I punteggi nell'intervallo 27-30 verranno assegnati in presenza di un'ottima conoscenza di tutte le tematiche del programma
La lode verrà assegnata in presenza di un esame perfetto e a fronte di una esposizione orale brillante.
A. I punteggi nell'intervallo 18-22 verranno assegnati in presenza di una conoscenza sufficiente del programma
B. I punteggi nell'intervallo 23-26 verranno assegnati in presenza di una buona conoscenza del programma
C. I punteggi nell'intervallo 27-30 verranno assegnati in presenza di un'ottima conoscenza di tutte le tematiche del programma
La lode verrà assegnata in presenza di un esame perfetto e a fronte di una esposizione orale brillante.
Metodi didattici
Presentazione powerpoint e lavagna.
Programma definitivo.
Data ultima modifica programma: 24/09/2025