Docente

• Prof. Christian Micheloni

Indirizzo e-mail

christian.micheloni@uniud.it

Indirizzo Pagina Web Personale

http://www.dimi.uniud.it/members/christian.micheloni/

Crediti

6 CFU

Programma

1. Introduzione – Presentazione del corso e dei concetti base del machine learning quali vettori e spazi di feature. Applicazioni di machine learning quali classificazione, regressione, clustering e compressione dei dati. Classificazione delle tecniche di machine learning in supervisionato e non supervisionato.
2. Statitical learning theory -
3. Regressione – Tecniche di regressione lineare (minimizzazione della funzione costo mediante discensa del gradiente, least squares, polynomial regression). Logistic regression di tipo binomiale e polinomiale.
4. Algoritmi Supervisionati - Introduzione agli algoritmi di classificazione. Presentazione degli algoritmi di classificazione più diffusi (Alberi di decisione, reti neurali, kernel, support vector machines, boosting)
5. Algoritmi Non Supervisionati – Definizione di clustering e principali tecniche di clusteirng (k-means, GMM, EM, etc.) . Presentazione delle tecniche di compressione dei dati mediante algoritmi di dimensionality reduction quali PCA,ICA e LDA.
6. Applicazioni – uso di algoritmi di machine learning per scopi reali quali la percezione, analisi del testo, visione artificiale, medicina, economia e altri.

Bibliografia

Testi Consigliati:

Tom M. Mitchell, Machine Learning. McGraw-Hill, 1997.

Christopher M . Bishop, Pattern Recognition and Machine Learning, Information Science and Statistics, 2006

Modalità d'esame

L’esame consiste in una prova scritta seguita dall’orale.