Dettagli sull'Insegnamento per l'A.A. 2016/2017

Le informazioni che state leggendo si riferiscono all'anno accademico 2016/2017. Per questo molti collegamenti non sono disponibili e i dati potrebbero essere incompleti. Per leggere le informazioni correnti sul corso, se ancora erogato, consulta il catalogo corsi di ateneo. Per consultare le informazioni relative ad altri anni accademici, usa la lista in fondo a questa pagina.

A. Accademico:

2016/2017

Nome:

Machine Learning / Machine Learning

Tipo:

Corso singolo

Informazioni

Codice:

DT0176

SSD:

INF/01

Crediti:

: Master Degree in Computer Science 6 CFU (b)

Periodo:

1^st semester

Erogazione:

Bachelor Degree in Computer Science 3^rd anno curriculum General Elective
Master Degree in Computer Science 1^st anno curriculum GSEEM Elective
Master Degree in Computer Science 2^nd anno curriculum NEDAS Compulsory
Master Degree in Computer Science 1^st anno curriculum SEAS Elective
Master Degree in Computer Science 1^st anno curriculum UBIDIS Elective

Lingua:

Inglese

Docenti:

Pasquale Caianiello

Mutua:

Reti Neurali

Prerequisiti

Conoscenza dei concetti basilari di calcolo vettoriale e matematica discreta. Capacità di sviluppo di un progetto implementativo o sperimentale

Obiettivi

Conoscenza delle tecniche principali del machine learning, e della loro applicabilità a problemi di appendimento supervisionato e non supervisionato

Sillabo

Problemi del machine learning: classificazione binaria, classificazione multilabel, associazione, regressione, previsione, clusterizzazione
Classificazione e clusterizzazione K-nearest neighbor. Alberi di decisione.
Percettrone, percettrone multistrato, retropropagazione dell'errore: teoria e pratica.
Dati, insieme d'addestramento, insieme di test, tecniche di valutazione dell'apprendimento, sequenze temporali, apprendimento come costruzione di modelli, esplorazione dello spazio dei modelli, ottimizzazione
Algoritmi genetici, integrazione di esperti e strategie di votazione, foresta random
Support Vector Machines

Descrittori di Dublino

Alla fine del corso, lo studente dovrebbe

conoscere i principali problemi e modelli del machine learning ;
essere in grado di identificare un modello di apprendimento appropriato per un dato problema ;
essere in grado di approntare la presentazione dei dati per per un dato problema ed utilizzarli in input per un sistema di machine learning;
verificare, valutare comparativamente e misurare le prestazioni delle soluzioni ottenute con diversi modelli di machine learning sul problema dato;
discutere ed interpretare i risultati ottenuti con un sistema di apprendimento e proporre possibili miglioramenti;
produrre una soluzione implementatva per un dato problema.

Testi di riferimento

Paul Daumé III, A Course in Machine Learning , CIML. 2012. http://ciml.info
Lutz Hamel, Knowledge Discovery with Support Vector Machines , Wiley. 2009. http://onlinelibrary.wiley.com/book/10.1002/9780470503065;jsessionid=B70DCD27F248C991415BF42D979BDE5

Modalità d'esame

Test scritto, valutazione degli homework assegnati e di un progetto sperimentale o implementativo

Risorse Internet

Homepage:

http://www.di.univaq.it/caianiel/Reti%20Neurali/

Aggiornamenti alla pagina del corso

Le informazioni sulle editioni passate di questo corso sono disponibili per i seguenti anni accademici:

Per leggere le informazioni correnti sul corso, se ancora erogato, consulta il catalogo corsi di ateneo.

Ultimo aggiornamento delle informazioni sul corso: 19 dicembre 2016, 12:53