|
Simone CALDERARA
Professore Ordinario Dipartimento di Ingegneria "Enzo Ferrari"
|
Insegnamento: Machine Learning and Deep Learning
Ingegneria informatica (Offerta formativa 2020)
Obiettivi formativi
L'obiettivo del corso e' fornire una conoscenza approfondita delle principali tecniche di pattern recognition e machine learning per l'analisi di dati di natura eterogenea. In particolare verranno presentati e approfonditi i principali algoritmi di classificazione di dati, di sequenze temporali di informazioni e di patern complessi quali ad esempio le immagini. Verranno presentate le principali tecniche di apprendimento automatico sia di tipo supervisionato che non supervisionato.
Prerequisiti
Conoscenza di base di statistica e algebra lineare
Programma del corso
MACHINE LEARNING
Classification theory, taxonomy and metrics:
-classification taxonomy
-learning assumptions
-generalization
-metrics
Introduction to Bayesian Probability:
-Bayesian Statistics
-Bayes Classifier
-Naïve assumption
Linear Models for Classification:
-LDA
-Logistic Regression
Margin methods and SVM
Ensemble Methods:
-Bagging
-Boosting
-Decision Trees and Random Forest
Unsupervised Learning and Dimensionality Reduction
-Hierarchical clustering
-Kmeans
-Spectral clustering
-PCA and LLE
6CFU
DEEP LEARNING
Neural Networks Introduction:
-Gradient descent
-Perceptron and MLE
Advanced NN:
-Convolutional network
-RNN and sequential data processing
Unsupervised NN
-Autoencoders
-Generative NN VAE
Generative NN GAN
Reinforcement Learning:
-Function approximation and RL
-Deep reinforcement Learning
3CFU
Metodi didattici
Utilizzo di dispense a cura del docente.
Si prevede un ciclo di lezioni frontali e l'implementazione in laboratorio di tutte le tecniche presentate in linguaggio Python e utilizzando Pytorch.
Testi di riferimento
The course will use the following textbooks freely available on the web
Machine Learning:
[ISL]: An Introduction to Statistical Learning. James, Witten, Hastie and Tibshirani.
[ESL]: The Elements of Statistical Learning, Second Edition. Hastie, Tibshirani and
Friedman.
Deep Learning:
[DLB]: Deep Learning. Ian Goodfellow and Yoshua Bengio and Aaron Courville. Suggested further readings:
[RL]: Reinforcement Learning Sutton, Barto.
[PRML]:Pattern Recognition and Machine Learning. Bishop Christopher. Readings are intended to be completed after classes.
Verifica dell'apprendimento
Esame orale con domande sulle tecniche la teoria e la formalizzazione matematica dei classificatori.
3 Domande di cui
una puramente teorica
una con implicazioni matematiche
una con implicazioni tecniche sulla scelta le proprietà e le capacità di un classificatore
Risultati attesi
Conoscenza e Comprensione:
Conoscere e comprendere le principali tecniche di pattern recognition e machine learning per l'analisi di dati di natura eterogenea.
Capacità di applicare conoscenza e comprensione:
Sapere applicare i principali algoritmi di classificazione di dati, di sequenze temporali di informazioni e di pattern complessi quali ad esempio le immagini e sapere applicare le principali tecniche di apprendimento automatico sia di tipo supervisionato che non supervisionato.
Autonomia di Giudizio
autonomia di giudizio nell'analizzare e progettare sistemi complessi, valutando l'impatto delle soluzioni informatiche nel contesto applicativo, sia relativamente agli aspetti tecnici che agli aspetti organizzativi e dimostrando di partecipare attivamente al processo decisionale in contesti anche interdisciplinari.
Abilità comunicative:
descrivere a interlocutori eterogenei in modo chiaro e comprensibile informazioni, idee, problemi e soluzioni oltre che aspetti tecnici;
Capacità di apprendimento:
-capacità di riconoscere la necessità di apprendimento autonomo durante tutto l'arco della vita, dato l'elevato tasso di innovazione tecnologica e metodologica nell'area dell'Ingegneria Informatica;
- capacità di acquisire in modo autonomo nuove conoscenze specialistiche dalla letteratura