Docente: Luca Iocchi
Pagina web dell'insegnamento: https://sites.google.com/a/diag.uniroma1.it/ml2018
Crediti: 6
Codice Infostud: 1022858

Obiettivi formativi

L'obiettivo del corso è presentare un ampio spettro di metodi ed algoritmi di apprendimento automatico, discutendone le proprietà e i criteri di applicabilità e di convergenza. Si presentano anche diversi esempi di impiego efficace delle tecniche di apprendimento automatico in diversi scenari applicativi. Gli studenti avranno la capacità di risolvere problemi di apprendimento automatico, partendo da una corretta formulazione del problema, con la scelta di un opportuno algoritmo, e sapendo condurre un'analisi sperimentale per valutare i risultati ottenuti.

Programma

Introduzione all’apprendimento automatico e ai fondamenti di calcolo delle probabilità. Apprendimento supervisionato: K-NN, alberi di decisione, classificatori di Bayes, regressione lineare e logistica, percettrone, reti neurali, Support Vector Machines, minimizzazione del rischio. Apprendimento non supervisionato: clustering, apprendimento semi-supervisionato, teoria dell’apprendimento, dimensione VC di un algoritmo. Rappresenzationi probabilistiche. Modelli su grafi, reti di Bayes, Hidden Markov Models, apprendimento rinforzato, modellizzazione di topics e allocazioni di Dirichelet latenti.

Modalità d'esame: Prova scritta, Prova orale

Testo di riferimento

• C.M. Bishop, "Pattern Recognition and Machine Learning," Springer, 2006