Docenti
Agli studenti verrà data la possibilità di essere valutati alternativamente mediante lo sviluppo di un progetto di Machine Learning su temi proposti dal docente. Lo studente può anche proporre temi di proprio interessi che dovranno essere validati dal docente.
Lo/la studente/essa dovrà:
– conoscere i concetti e gli algoritmi fondamentali dell’apprendimento automatico attraverso elaboratori digitali.
– saper acquisire e manipolare un insieme di dati per l’apprendimento automatico.
– saper utilizzare il linguaggio di programmazione Matlab.
– saper analizzare un problema di apprendimento automatico sia supervisionato che non.
Indicare i risultati di apprendimento attesi come riportati nei seguenti Descrittori di Dublino.
Conoscenza e comprensione
– acquisire specifiche conoscenze dei principali concetti e principi teorici dell’apprendimento automatico attraverso elaboratori digitali.
– Conoscere e sapere utilizzare il linguaggio Matlab per l’implementazione di algoritmi di machine learning
Capacità di applicare conoscenza e comprensione
– saper analizzare e comprendere un algoritmo di machine learning.
– saper analizzare ed interpretare un problema di machine learning ed applicare le conoscenze di cui sopra per determinare lo schema di apprendimento più idoneo.
– Progettare un sistema di apprendimento automatico a partire da dati campione.
Autonomia di giudizio
– Saper valutare gli algoritmi di machine learning ed effettuare una scelta personale dell’algoritmo più adatto per la soluzione di un problema dato.
– Saper distinguere tra diverse soluzioni di machine learning e valutarne l’efficacia.
Abilità comunicative
– saper illustrare con rigore logico e terminologico, a voce e per iscritto, questioni tecniche inerenti algoritmi e sistemi di apprendimento automatico attraverso elaboratori digitali.
Capacità di apprendimento
saper reperire e utilizzare strumenti bibliografici e informatici utili per l’approfondimento autonomo di problemi inerenti l’apprendimento automatico attraverso gli elaboratori digitali.
Pogramma dettagliato:
1.Introduzione – Presentazione del corso e dei concetti base del machine learning quali vettori e spazi di feature. Applicazioni di machine learning quali classificazione, regressione, clustering e compressione dei dati. Classificazione delle tecniche di machine learning in supervisionato e non supervisionato.
2.Regressione – Tecniche di regressione lineare (minimizzazione della funzione costo mediante discesa del gradiente, least squares, polynomial regression). Logistic regression di tipo binomiale e polinomiale.
3.Algoritmi Supervisionati – Introduzione agli algoritmi di classificazione. Presentazione degli algoritmi di classificazione più diffusi (Alberi di decisione, reti neurali, deep learning, convolutional neural networks – CNN, autoencoders, GAN, transformers, kernel, support vector machines, reinforcement learning, explainable AI). Algoritmo di Back Propagation.
4.Algoritmi Non Supervisionati – Definizione di clustering e principali tecniche di clusteirng (k-means, GMM, EM, etc.) . Presentazione delle tecniche di compressione dei dati mediante algoritmi di dimensionality reduction quali PCA e LDA.
5.Applicazioni – uso di algoritmi di machine learning per scopi reali quali la percezione, analisi del testo, visione artificiale, medicina, economia e altri.
6.Laboratorio – Implementazione dei più importanti algoritmi di regressione, classificazione e deep learning in python e pytorch.
[2] Christopher M . Bishop, Pattern Recognition and Machine Learning, Information Science and Statistics, 2006.
Università degli Studi di Udine
Dipartimento di Scienze Matematiche, Informatiche e Fisiche (DMIF)
via delle Scienze 206, 33100 Udine, Italy
Tel: +39 0432 558400
Fax: +39 0432 558499
PEC: dmif@postacert.uniud.it
p.iva 01071600306 | c.f. 80014550307
30 km from Slovenia border
80 km from Austria border
120 km from Croatia border
160 km South West of Klagenfurt (Austria)
160 km West of Lubiana (Slovenia)
120 km North East of Venezia (Italy)