Curriculum
Programma
1. RegressionLinear Regression
Overfitting nella Regressione
Ridge Regression
Feature Selection e Lasso
2. Classification
Logistic Regression
Overfitting nella Classificazione
Boosting. Algoritmo AdaBoost
Support Vector Machine (Large Margin Classification, Kernel I, Kernel II)
Naïve Bayes
3. Clustering e Retrieval
Algoritmo K-NN
Algoritmo K-Means
Expectation Maximization
Applicazioni all’Information Retrieval
4. Dimensionality Reduction
Compressione e visualizzazione dei dati
Principal Component Analysis (PCA)
Scelta del numero di componenti principali
Applicazioni nei Recommender Systems
5. Reinforcement Learning
Introduzione al Reinforcement Learning
Algoritmi di apprendimento per rinforzo
Applicazioni varie
6. Deep Learning
Deep Forward Networks
Regularization per il Deep Learning
Convolutional Networks
Applicazioni varie
6. Casi di Studio e Progetti
Si esporranno vari casi di studio e si proporranno progetti in cui applicare le nozioni apprese su vari domíni d’interesse.
Testi Adottati
Dispense a cura del docente.Modalità Valutazione
Prova scritta, valutazione progetto.Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, SANZARI MARTA
Programma
1. RegressionLinear Regression
Overfitting nella Regressione
Ridge Regression
Feature Selection e Lasso
2. Classification
Logistic Regression
Overfitting nella Classificazione
Boosting. Algoritmo AdaBoost
Support Vector Machine (Large Margin Classification, Kernel I, Kernel II)
Naïve Bayes
3. Clustering e Retrieval
Algoritmo K-NN
Algoritmo K-Means
Expectation Maximization
Applicazioni all’Information Retrieval
4. Dimensionality Reduction
Compressione e visualizzazione dei dati
Principal Component Analysis (PCA)
Scelta del numero di componenti principali
Applicazioni nei Recommender Systems
5. Reinforcement Learning
Introduzione al Reinforcement Learning
Algoritmi di apprendimento per rinforzo
Applicazioni varie
6. Deep Learning
Deep Forward Networks
Regularization per il Deep Learning
Convolutional Networks
Applicazioni varie
6. Casi di Studio e Progetti
Si esporranno vari casi di studio e si proporranno progetti in cui applicare le nozioni apprese su vari domíni d’interesse.
Testi Adottati
Dispense a cura del docente.Modalità Valutazione
Prova scritta, valutazione progetto.Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, SANZARI MARTA
Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, SANZARI MARTA
Programma
1. RegressionLinear Regression
Overfitting nella Regressione
Ridge Regression
Feature Selection e Lasso
2. Classification
Logistic Regression
Overfitting nella Classificazione
Boosting. Algoritmo AdaBoost
Support Vector Machine (Large Margin Classification, Kernel I, Kernel II)
Naïve Bayes
3. Clustering e Retrieval
Algoritmo K-NN
Algoritmo K-Means
Expectation Maximization
Applicazioni all’Information Retrieval
4. Dimensionality Reduction
Compressione e visualizzazione dei dati
Principal Component Analysis (PCA)
Scelta del numero di componenti principali
Applicazioni nei Recommender Systems
5. Reinforcement Learning
Introduzione al Reinforcement Learning
Algoritmi di apprendimento per rinforzo
Applicazioni varie
6. Deep Learning
Deep Forward Networks
Regularization per il Deep Learning
Convolutional Networks
Applicazioni varie
6. Casi di Studio e Progetti
Si esporranno vari casi di studio e si proporranno progetti in cui applicare le nozioni apprese su vari domíni d’interesse.
Testi Adottati
Dispense a cura del docente.Modalità Valutazione
Prova scritta, valutazione progetto.Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, SANZARI MARTA
Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, SANZARI MARTA
Programma
1. RegressionLinear Regression
Overfitting nella Regressione
Ridge Regression
Feature Selection e Lasso
2. Classification
Logistic Regression
Overfitting nella Classificazione
Boosting. Algoritmo AdaBoost
Support Vector Machine (Large Margin Classification, Kernel I, Kernel II)
Naïve Bayes
3. Clustering e Retrieval
Algoritmo K-NN
Algoritmo K-Means
Expectation Maximization
Applicazioni all’Information Retrieval
4. Dimensionality Reduction
Compressione e visualizzazione dei dati
Principal Component Analysis (PCA)
Scelta del numero di componenti principali
Applicazioni nei Recommender Systems
5. Reinforcement Learning
Introduzione al Reinforcement Learning
Algoritmi di apprendimento per rinforzo
Applicazioni varie
6. Deep Learning
Deep Forward Networks
Regularization per il Deep Learning
Convolutional Networks
Applicazioni varie
6. Casi di Studio e Progetti
Si esporranno vari casi di studio e si proporranno progetti in cui applicare le nozioni apprese su vari domíni d’interesse.
Testi Adottati
Dispense a cura del docente.Modalità Valutazione
Prova scritta, valutazione progetto.Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, SANZARI MARTA