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. J. Shawe-Taylor & N. Cristianini, "Kernel Methods for Pattern Recognition", Cambridge University Press,  2004.
   

Calendario delle lezioni

Laboratorio (12, 19, 24 Maggio, 16 Giugno): Lab/TA in orario di lezione

Ricevimento studenti

• Martedì 15:00 - 17:00 in stanza 427, Torre Archimede

Modalita' di esame

Appelli di esame

LUCIDI DELLE LEZIONI:

Introduzione ai contenuti del corso (18, 19 Aprile)

Complessità dello spazio delle ipotesi, apprendimento di concetti, esempio di applicazione di Candidate-Elimination (20, 21 Aprile)

Apprendimento PAC (28 Aprile)

Esempio spazio delle ipotesi con VC-dimension infinita (28 Aprile)

On-line e mistake bound (2 Maggio)

Alberi di Decisione (3, 4 Maggio)

Esempi di costruzione di alberi di decisione (5 Maggio)

Boosting (5 Maggio)

Apprendimento Bayesiano (9, 10, 11, 16 Maggio)

Perceptron e regressione lineare (17 Maggio)

Contenuto delle lezioni del 18, 19, 23, 24, 25 Maggio, tenute dal prof. Nikola Kasabov

Esempio primo compitino (compitino: 26 Maggio)

Dopo il compitino le lezioni riprenderanno l'8 Giugno

La lezione del 9 Giugno si svolgerà in aula 1BC/50 dalle 13:30 alle 15:00

Back-Propagation, Convergenza Perceptron, Support Vector Machines, Apprendimento con Rinforzo (8, 9, 14, 15 Giugno)

Contenuti di massima del corso