Gli obiettivi sono quelli di approfondire metodi e tecniche principali per lo sviluppo di sistemi basati sul Machine Learning, quali approcci supervisionati, non supervisionati e per rinforzo; e il relativo uso come strumenti di sviluppo di applicazioni in domini specifici. Verranno studiati gli aspetti delle principali aree della disciplina, tra cui la regressione, la classificazione e il clustering.
Le lezioni e le esercitazioni pratiche svolte durante il corso consentiranno di apprendere metodi e tecniche per la scelta e l’addestramento di specifici approcci di machine learning a partire da dataset reali provenienti da vari ambiti, es. health care, analisi finanziaria, videogame, computer vision, recommender systems
Le lezioni e le esercitazioni pratiche svolte durante il corso consentiranno di apprendere metodi e tecniche per la scelta e l’addestramento di specifici approcci di machine learning a partire da dataset reali provenienti da vari ambiti, es. health care, analisi finanziaria, videogame, computer vision, recommender systems
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.)
Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, GASPARETTI FABIO
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.Modalità Erogazione
Lezioni ed esercitazioni. Supervisione progetto.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta, prova pratica.
scheda docente
materiale didattico
Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, GASPARETTI FABIO
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.)
Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, GASPARETTI FABIO
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.Modalità Erogazione
Lezioni ed esercitazioni. Supervisione progetto.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta, prova pratica.
scheda docente
materiale didattico
Mutuazione: 20810266 Machine Learning in Ingegneria informatica LM-32 MICARELLI ALESSANDRO, GASPARETTI FABIO