Apprendimento Automatico
Contenuto e Struttura del corso
(aa. 2014/2015)

 

(Ultimo aggiornamento 4 Dicembre 2014)

Docenti: Alessandro Sperduti e Fabio Aiolli




Note introduttive

Il corso si propone di fornire le nozioni fondamentali per la comprensione e la progettazione di sistemi che utilizzano tecniche di Apprendimento Automatico.
I principali riferimenti bibliografici del corso sono i seguenti:

  1. T. Mitchell , "Machine Learning", McGraw Hill, 1998. (libro di testo)
  2. E. Alpaydin, "Introduction to Machine Learning", Cambridge University Press,  2010.

Calendario delle lezioni

Il corso si tiene con il seguente calendario:   Mercoledì e Venerdì 15:30-17:30 in aula Torre Archimede 1BC/45  nel periodo 1 Ottobre 2014 -  24 Gennaio 2015

Laboratorio: P036 (Paolotti) in orario di lezione


Ricevimento studenti

Il ricevimento studenti si svolge, tranne diverso avviso, con il seguente calendario:

Modalita' di esame

Compiti scritti, seguiti da eventuale orale


Appelli di esame

in questa sezione saranno inserite informazioni sugli appelli d'esame

LUCIDI DELLE LEZIONI:

PRIMA PARTE (2CFU, prof. Sperduti)

Lucidi di introduzione al corso, 1/10 e 3/10

Complessita' spazio delle ipotesi, 3/10 e 8/10 (lezione del 10 Ottobre non tenuta per malattia del docente)

Errore ideale, errore empirico, 8/10

Esempio di spazio delle ipotesi con VC dimension infinita, 15/10

Apprendimento di concetti, 15/10

Apprendimento di alberi di decisione (parte 1), 17/10

Apprendimento di alberi di decisione (parte 2), 22,24/10

Reti neurali (parte 1), 24,29/10

Reti neurali (parte 2), 29,31/10

Reti neurali (parte 3), 31/10

Seconda PARTE (4CFU, dott. Aiolli)

Support Vector Machines

fine argomenti di pertinenza del primo compitino

Esempio di compitino (I parte)

Apprendimento Probabilistico (parte 1)

Apprendimento Probabilistico (parte 2)

Apprendimento Probabilistico (parte 3)

Selezione attributi

Overfitting


Contenuti di massima del corso - Concetti fondamentali dell'apprendimento automatico
- Apprendimento di Concetti
- Apprendimento di alberi di decisione
- Reti Neurali
- Support Vector Machines
- Apprendimento probabilistico
- Algoritmi "semplici" di clustering
- Esemplificazione di casi pratici