Ateneo - UPO

Il corso si suddivide logicamente in due moduli: Machine Learning (6 CFU) e Deep Learning (3 CFU).
MACHINE LEARNING
I diversi modelli di apprendimento automatico (supervisionato e non supervisionato);
Regressione e classificazione;
Bias e varianza dei modelli, regolarizzazione;
Metodi di clustering;
Determinazione di anomalie;
Valutazione dei modelli di appendimento automatico;
Strumenti di sviluppo.
DEEP LEARNING
Teoria e pratica dell’ Apprendimento Profondo

A. Geron: Hands-on Machine Learning with scikit-learn and Tensorflow. (2nd edition), O’Reilly, 2019;
P. Flach, Machine Learning, Cambridge Univ. Press, 2012;
I.H. Witten, E. Frank, M.A. Hall, C.J. Pal. Data Mining: Practical Machine Learning Tools (4 ed.), Morgan Kaufmann, 2016.
I. Goodfellow, Y. Bengio, A. Courville. Deep Learning, MIT Press, 2016

Conoscenza e capacità di comprensione Il corso ha lo scopo di introdurre le nozioni fondamentali dei metodi di appendimento automatico e di apprendimento profondo come valutarli e come sviluppare i relativi sistemi.
Capacità di applicare conoscenza e comprensione La conoscenza acquisita permetterà allo studente di:
comprendere i concetti di bias e varianza dei modelli e come affrontare i relativi problemi
(ad esempio le tecniche di regolarizzazione)
comprendere i principali modelli di classificazione, regressione e di apprendimento non supervisionato, tra quelli maggiormente applicati correntemente;
ottenere una comprensione dell'apprendimento profondo tale da poterlo applicare a una vasta gamma di argomenti con particolare riguardo alle applicazioni di computer vision, elaborazione di testi ed elaborazione di segnali
Autonomia di giudizio: il corso consentirà allo studente di sviluppare un’autonomia di giudizio e porrà lo studente nelle condizioni di valutare le scelte maggiormente adeguate relativamente ai possibili modelli di apprendimento automatico.
Abilità communicative: sulla base delle conoscenze acquisite, lo studente potrà sviluppare abilità comunicative e relazionali per poter lavorare in team alla progettazione di sistemi di apprendimento automatico e profondo e per poter evidenziare limiti e vantaggi dei vari approcci possibili.
Capacita' di apprendimento: lo studio della disciplina consentirà allo studente di capire quali alternative esistono nella progettazione e programmazione di un sistema di apprendimento automatico e di poter scegliere l’approccio più adeguato al compito prefissato.

Probabilita’ e Statistica, Analisi Matematica, Matematica Discreta (calcolo matriciale), Linguaggio Python (base)

Lezioni frontali e sviluppo di esempi prototipali con esercitazioni

Materiale didattico a complemento dei testi suggeriti fornito dal docente, tramite piattaforma DIR.
Disponibilità di lezioni registrate.

Esame orale con discussione di un semplice progetto.

MACHINE LEARNING
Introduzione al machine learning: apprendimento supervisionato e non supervisionato;
Regressione lineare univariata e multivariata, ridge regression;
Regressione logistica;
Regolarizzazione;
Reti Neurali;
Valutazione di un sistema ML;
Decision Trees;
Bayesian Learning;
Lazy Learning;
Metodi di ensemble learning;
Clustering;
Riduzione della dimensionalita: PCA;
Anomaly detection;
Il tool Weka;
Le API scikit-learn.
DEEP LEARNING
Principi teorici dell'Apprendimento Profondo
Deep feedforward neural nets
Reti convolutive
Reti ricorrenti
Autoencoder
Pre-Training
Applicazioni
Package implementativi

CONOSCENZE: Conoscere le principali metodiche di apprendimento automatico supervisionato e non supervisionato e di apprendimento profondo.
conoscere le metodiche di valutazione dei modelli
conoscere le caratteristiche applicative dei vari modelli
COMPETENZE E ABILITA’
saper sviluppare un modello di apprendimento automatico in funzione dell’applicazione richiesta
saper valutare le caratteristiche in termini di bias e varianza dei modelli sviluppato
saper valutare i risultati di un sistema di apprendimento automatico secondo le metriche più adeguate
saper usare ed applicare gli opportuni tool di sviluppo
saper stabilire le connessioni tra argomenti trattati in parti diverse del corso, sapersi interfacciare e comunicare adeguatamente con eventuali esperti dell’applicazione di riferimento; conoscere la terminologia adeguata.