Gli obiettivi sono fornire compete avanzate e specifiche nell'ambito dei più recenti modelli e tecnologie di apprendimento automatico. Il corso consentirà la risoluzione di problemi complessi attraverso una adeguata formulazione del problema e la definizione di modelli e rappresentazioni della conoscenza più adatte, e le tecniche di implementazione più efficiente per l’implementazione degli algoritmi di machine learning. Si aprofondirranno le diverse tecniche di reinforcement learning e i domini di impiego; e si introdurranno modelli dello stato dell’arte, quali graph neural networks e tecniche di tuning e autotuning.
Il corso è costituito da una parte teorica e metodologica su concetti avanzati e innovativi, e da una attività laboratoriale in cui tali concetti sono applicati nella risoluzione di problemi mediante i più recenti framework di sviluppo.
Il corso è costituito da una parte teorica e metodologica su concetti avanzati e innovativi, e da una attività laboratoriale in cui tali concetti sono applicati nella risoluzione di problemi mediante i più recenti framework di sviluppo.
Curriculum
scheda docente
materiale didattico
- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Rideg Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
6. Gli ambienti Keras e TensorFlow
- I linguaggi Keras e TensorFlow per lo sviluppo di applicazioni di ML.
- Architetture GPU-based. Le GPU Nvidia Tesla e Volta.
- Uso di TensorFlow con il supporto delle GPU.
7. Riduzione di Dimensionalità
- Compressione e visualizzazione dei dati.
- Principal Component Analysis (PCA).
- Scelta del numero di componenti principali.
- Applicazioni nei Recommender Systems.
8. Reinforcement Learning
- Markov Decision Process.
- Programmazione dinamica.
- Algoritmi di Reinforcement Learning.
9. Introduzione al Deep Learning
- Introduzione alle Deep Forward Networks.
- Cenni sulle Convolutional Neural Networks (CNN).
- Cenni sulle Generative Adversarial Networks (GAN).
10. 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. In particolare le tematiche trattate potranno riguardare, tra l’altro, applicazioni di metodi e tecniche di ML nelle seguenti aree:
• Social Media Analysis (sentiment analysis, fake news detection, fake users detection, ecc.)
• Financial Machine Learning (algorithmic trading, ecc.)
• Recommender Systems (social RecSys, cultural heritage RecSys, e-commerce RecSys, ecc.)
• Data Science (prediction functions per applicazioni pratiche, ecc.)
• Visione Artificiale (object detection, face detection, face recognition, content-based video analysis, ecc.)
• Bioinformatica (riconoscimento di sequenze genetiche, ecc.)
Programma
1. Introduzione al Corso- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Rideg Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
6. Gli ambienti Keras e TensorFlow
- I linguaggi Keras e TensorFlow per lo sviluppo di applicazioni di ML.
- Architetture GPU-based. Le GPU Nvidia Tesla e Volta.
- Uso di TensorFlow con il supporto delle GPU.
7. Riduzione di Dimensionalità
- Compressione e visualizzazione dei dati.
- Principal Component Analysis (PCA).
- Scelta del numero di componenti principali.
- Applicazioni nei Recommender Systems.
8. Reinforcement Learning
- Markov Decision Process.
- Programmazione dinamica.
- Algoritmi di Reinforcement Learning.
9. Introduzione al Deep Learning
- Introduzione alle Deep Forward Networks.
- Cenni sulle Convolutional Neural Networks (CNN).
- Cenni sulle Generative Adversarial Networks (GAN).
10. 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. In particolare le tematiche trattate potranno riguardare, tra l’altro, applicazioni di metodi e tecniche di ML nelle seguenti aree:
• Social Media Analysis (sentiment analysis, fake news detection, fake users detection, ecc.)
• Financial Machine Learning (algorithmic trading, ecc.)
• Recommender Systems (social RecSys, cultural heritage RecSys, e-commerce RecSys, ecc.)
• Data Science (prediction functions per applicazioni pratiche, ecc.)
• Visione Artificiale (object detection, face detection, face recognition, content-based video analysis, ecc.)
• Bioinformatica (riconoscimento di sequenze genetiche, ecc.)
Testi Adottati
Dispense a cura del docente.Bibliografia Di Riferimento
S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2020). Pearson Education.Modalità Erogazione
Lezioni ed esercitazioni. Supervisione progetto.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta, valutazione progetto.
scheda docente
materiale didattico
- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Rideg Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
6. Gli ambienti Keras e TensorFlow
- I linguaggi Keras e TensorFlow per lo sviluppo di applicazioni di ML.
- Architetture GPU-based. Le GPU Nvidia Tesla e Volta.
- Uso di TensorFlow con il supporto delle GPU.
7. Riduzione di Dimensionalità
- Compressione e visualizzazione dei dati.
- Principal Component Analysis (PCA).
- Scelta del numero di componenti principali.
- Applicazioni nei Recommender Systems.
8. Reinforcement Learning
- Markov Decision Process.
- Programmazione dinamica.
- Algoritmi di Reinforcement Learning.
9. Introduzione al Deep Learning
- Introduzione alle Deep Forward Networks.
- Cenni sulle Convolutional Neural Networks (CNN).
- Cenni sulle Generative Adversarial Networks (GAN).
10. 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. In particolare le tematiche trattate potranno riguardare, tra l’altro, applicazioni di metodi e tecniche di ML nelle seguenti aree:
• Social Media Analysis (sentiment analysis, fake news detection, fake users detection, ecc.)
• Financial Machine Learning (algorithmic trading, ecc.)
• Recommender Systems (social RecSys, cultural heritage RecSys, e-commerce RecSys, ecc.)
• Data Science (prediction functions per applicazioni pratiche, ecc.)
• Visione Artificiale (object detection, face detection, face recognition, content-based video analysis, ecc.)
• Bioinformatica (riconoscimento di sequenze genetiche, ecc.)
Programma
1. Introduzione al Corso- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Rideg Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
6. Gli ambienti Keras e TensorFlow
- I linguaggi Keras e TensorFlow per lo sviluppo di applicazioni di ML.
- Architetture GPU-based. Le GPU Nvidia Tesla e Volta.
- Uso di TensorFlow con il supporto delle GPU.
7. Riduzione di Dimensionalità
- Compressione e visualizzazione dei dati.
- Principal Component Analysis (PCA).
- Scelta del numero di componenti principali.
- Applicazioni nei Recommender Systems.
8. Reinforcement Learning
- Markov Decision Process.
- Programmazione dinamica.
- Algoritmi di Reinforcement Learning.
9. Introduzione al Deep Learning
- Introduzione alle Deep Forward Networks.
- Cenni sulle Convolutional Neural Networks (CNN).
- Cenni sulle Generative Adversarial Networks (GAN).
10. 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. In particolare le tematiche trattate potranno riguardare, tra l’altro, applicazioni di metodi e tecniche di ML nelle seguenti aree:
• Social Media Analysis (sentiment analysis, fake news detection, fake users detection, ecc.)
• Financial Machine Learning (algorithmic trading, ecc.)
• Recommender Systems (social RecSys, cultural heritage RecSys, e-commerce RecSys, ecc.)
• Data Science (prediction functions per applicazioni pratiche, ecc.)
• Visione Artificiale (object detection, face detection, face recognition, content-based video analysis, ecc.)
• Bioinformatica (riconoscimento di sequenze genetiche, ecc.)
Testi Adottati
Dispense a cura del docente.Bibliografia Di Riferimento
S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2020). Pearson Education.Modalità Erogazione
Lezioni ed esercitazioni. Supervisione progetto.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta, valutazione progetto.
scheda docente
materiale didattico
- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Rideg Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
6. Gli ambienti Keras e TensorFlow
- I linguaggi Keras e TensorFlow per lo sviluppo di applicazioni di ML.
- Architetture GPU-based. Le GPU Nvidia Tesla e Volta.
- Uso di TensorFlow con il supporto delle GPU.
7. Riduzione di Dimensionalità
- Compressione e visualizzazione dei dati.
- Principal Component Analysis (PCA).
- Scelta del numero di componenti principali.
- Applicazioni nei Recommender Systems.
8. Reinforcement Learning
- Markov Decision Process.
- Programmazione dinamica.
- Algoritmi di Reinforcement Learning.
9. Introduzione al Deep Learning
- Introduzione alle Deep Forward Networks.
- Cenni sulle Convolutional Neural Networks (CNN).
- Cenni sulle Generative Adversarial Networks (GAN).
10. 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. In particolare le tematiche trattate potranno riguardare, tra l’altro, applicazioni di metodi e tecniche di ML nelle seguenti aree:
• Social Media Analysis (sentiment analysis, fake news detection, fake users detection, ecc.)
• Financial Machine Learning (algorithmic trading, ecc.)
• Recommender Systems (social RecSys, cultural heritage RecSys, e-commerce RecSys, ecc.)
• Data Science (prediction functions per applicazioni pratiche, ecc.)
• Visione Artificiale (object detection, face detection, face recognition, content-based video analysis, ecc.)
• Bioinformatica (riconoscimento di sequenze genetiche, ecc.)
Programma
1. Introduzione al Corso- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Rideg Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
6. Gli ambienti Keras e TensorFlow
- I linguaggi Keras e TensorFlow per lo sviluppo di applicazioni di ML.
- Architetture GPU-based. Le GPU Nvidia Tesla e Volta.
- Uso di TensorFlow con il supporto delle GPU.
7. Riduzione di Dimensionalità
- Compressione e visualizzazione dei dati.
- Principal Component Analysis (PCA).
- Scelta del numero di componenti principali.
- Applicazioni nei Recommender Systems.
8. Reinforcement Learning
- Markov Decision Process.
- Programmazione dinamica.
- Algoritmi di Reinforcement Learning.
9. Introduzione al Deep Learning
- Introduzione alle Deep Forward Networks.
- Cenni sulle Convolutional Neural Networks (CNN).
- Cenni sulle Generative Adversarial Networks (GAN).
10. 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. In particolare le tematiche trattate potranno riguardare, tra l’altro, applicazioni di metodi e tecniche di ML nelle seguenti aree:
• Social Media Analysis (sentiment analysis, fake news detection, fake users detection, ecc.)
• Financial Machine Learning (algorithmic trading, ecc.)
• Recommender Systems (social RecSys, cultural heritage RecSys, e-commerce RecSys, ecc.)
• Data Science (prediction functions per applicazioni pratiche, ecc.)
• Visione Artificiale (object detection, face detection, face recognition, content-based video analysis, ecc.)
• Bioinformatica (riconoscimento di sequenze genetiche, ecc.)
Testi Adottati
Dispense a cura del docente.Bibliografia Di Riferimento
S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2020). Pearson Education.Modalità Erogazione
Lezioni ed esercitazioni. Supervisione progetto.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta, valutazione progetto.
scheda docente
materiale didattico
- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Rideg Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
6. Gli ambienti Keras e TensorFlow
- I linguaggi Keras e TensorFlow per lo sviluppo di applicazioni di ML.
- Architetture GPU-based. Le GPU Nvidia Tesla e Volta.
- Uso di TensorFlow con il supporto delle GPU.
7. Riduzione di Dimensionalità
- Compressione e visualizzazione dei dati.
- Principal Component Analysis (PCA).
- Scelta del numero di componenti principali.
- Applicazioni nei Recommender Systems.
8. Reinforcement Learning
- Markov Decision Process.
- Programmazione dinamica.
- Algoritmi di Reinforcement Learning.
9. Introduzione al Deep Learning
- Introduzione alle Deep Forward Networks.
- Cenni sulle Convolutional Neural Networks (CNN).
- Cenni sulle Generative Adversarial Networks (GAN).
10. 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. In particolare le tematiche trattate potranno riguardare, tra l’altro, applicazioni di metodi e tecniche di ML nelle seguenti aree:
• Social Media Analysis (sentiment analysis, fake news detection, fake users detection, ecc.)
• Financial Machine Learning (algorithmic trading, ecc.)
• Recommender Systems (social RecSys, cultural heritage RecSys, e-commerce RecSys, ecc.)
• Data Science (prediction functions per applicazioni pratiche, ecc.)
• Visione Artificiale (object detection, face detection, face recognition, content-based video analysis, ecc.)
• Bioinformatica (riconoscimento di sequenze genetiche, ecc.)
Programma
1. Introduzione al Corso- Aree di interesse del Machine Learning.
- Potenzialità dei modelli e dei metodi di ML.
2. Regressione
- Introduzione alla Linear Regression.
- Overfitting nella Regressione.
- Regolarizzazione: Rideg Regression.
- Feature Selection e Lasso.
3. Classificazione
- Logistic Regression per la classificazione.
- Overfitting nella Classificazione.
- Boosting. Algoritmo AdaBoost.
- Naïve Bayes.
- Support Vector Machines.
4. Clustering
- Algoritmi k-means e k-means++
- Expectation Maximization.
- Clustering gerarchico.
5. Reti Neurali Artificiali
- Architettura delle Reti Neurali Artificiali.
- Algoritmo di Apprendimento di Backpropagation.
- Applicazioni delle Reti Neurali Artificiali.
6. Gli ambienti Keras e TensorFlow
- I linguaggi Keras e TensorFlow per lo sviluppo di applicazioni di ML.
- Architetture GPU-based. Le GPU Nvidia Tesla e Volta.
- Uso di TensorFlow con il supporto delle GPU.
7. Riduzione di Dimensionalità
- Compressione e visualizzazione dei dati.
- Principal Component Analysis (PCA).
- Scelta del numero di componenti principali.
- Applicazioni nei Recommender Systems.
8. Reinforcement Learning
- Markov Decision Process.
- Programmazione dinamica.
- Algoritmi di Reinforcement Learning.
9. Introduzione al Deep Learning
- Introduzione alle Deep Forward Networks.
- Cenni sulle Convolutional Neural Networks (CNN).
- Cenni sulle Generative Adversarial Networks (GAN).
10. 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. In particolare le tematiche trattate potranno riguardare, tra l’altro, applicazioni di metodi e tecniche di ML nelle seguenti aree:
• Social Media Analysis (sentiment analysis, fake news detection, fake users detection, ecc.)
• Financial Machine Learning (algorithmic trading, ecc.)
• Recommender Systems (social RecSys, cultural heritage RecSys, e-commerce RecSys, ecc.)
• Data Science (prediction functions per applicazioni pratiche, ecc.)
• Visione Artificiale (object detection, face detection, face recognition, content-based video analysis, ecc.)
• Bioinformatica (riconoscimento di sequenze genetiche, ecc.)
Testi Adottati
Dispense a cura del docente.Bibliografia Di Riferimento
S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2020). Pearson Education.Modalità Erogazione
Lezioni ed esercitazioni. Supervisione progetto.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta, valutazione progetto.