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:
-
T. Mitchell , "Machine Learning", McGraw Hill, 1998. (libro di testo)
- 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:
-
Sperduti: Venerdì 11:00 - 13:00 in stanza 403, Torre Archimede
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