1. Bayesian Foundations

   1. Bayesian vs Frequentist Approaches

   2. Bayesian Axiomatic Foundation (Cox-Jaynes)

   3. Priors and Conjugate Priors

   4. Paradoxes

   5. Simple Applications

2. Neural Networks: Basics

   1. Historical Overview

   2. Threshold Gates, Sigmoidal Gates, Perceptrons

   3. Perceptron Learning, Widrow-Hoff Rule

   4. Backpropagation

   5. Autoencoders

   6. Weight Sharing and Convolutional Architectures, Momentum, and Other Tricks

   7. Applications

3. Bayesian Learning

   1. Graphical Models: Bayesian Networks and Random Markov Fields

   2. Likelihood, Posterior

   3. Optimizations and Expectations

   4. Monte Carlo Methods

   5. Applications to Neural Networks Structure and Error Functions

   6. Applications to Neural Network Training

4. Neural Networks: Advanced Topics

   1. Supervised, Unsupervised, and Semi-Supervised Learning

   2. Autoencoders and Stacks of Autoencoders

   3. Greedy Layerwise Training

   4. Dropout Algorithm

   5. Deep Target Algorithm

   6. Recurrent and Recursive Neural Networks

   7. Applications

Il Prof. Pierre Baldi è Chancellor’s Professor presso l’Università della California ad Irvine, USA, e attualmente Founding Associate-Director, Center for Machine Learning and Intelligent Systems e Founding Director Institute for Genomics and Bioinformatics. Egli è fellow di numerose associazioni scientifiche (ACM, IEEE, AAAI, AAAS) e recipiente di vari premi nazionali ed internazionali. Ad oggi è stato coautore di 186 articoli su rivista, 4 libri, 20 capitoli su libro, e 69 articoli su convegni internazionali con referaggio, oltre che autore di numerosi brevetti. Il suo H-index è pari a 64. Dal 2001 ad oggi ha raccolto fondi di ricerca per più di 24 milioni di dollari, da vari sorgenti (NSF, NIH, IBM, ...). Egli è anche editore associato di numerose riviste scientifiche internazionali, principalmente nell’ambito delle Neural Networks, Data Mining, Bioinformatics, Chemoinformatics.