MACHINE LEARNING FOR BIG DATA

Anno accademico 2018-2019

MACHINE LEARNING FOR BIG DATA

Docenti:
Serra Giuseppe
Anno di corso: 2
Totale crediti: 6
Tipologia: Caratterizzante
Periodo didattico: Primo Periodo
Lingua insegnamento: ITALIANO
Prerequisiti. Conoscenze delle tecniche di programmazione e matematica di base
Metodi didattici. Lezioni, esercitazioni e laboratorio
Modalità di verifica. L’esame prevede una prova scritta e una prova orale.

OBIETTIVI FORMATIVI

Capacità relative alle discipline
1.1 Conoscenza e capacità di comprensione: durante il corso lo studente acquisisce conoscenze teoriche dei principali metodi di apprendimento automatico, impara inoltre le procedure formali per la valutazione e l’analisi dei risultati ottenuti.
1.2 Conoscenza e capacità di comprensione applicate: l’attività di laboratorio permette allo studente di consolidare le conoscenze teoriche presentate durante le lezioni frontali del docente attraverso il loro utilizzo in casi reali.

Capacità trasversali
2.1 Autonomia di giudizio: lo studente acquisisce capacità teoriche e pratiche che gli consentono di sviluppare algoritmi di Machine Learning e analizzarne criticamente i risultati prodotti.
2.2 Abilità comunicative: lo studente impara la terminologia appropriata ed è in grado di descrivere le principali caratteristiche degli algoritmi presentati durante il corso.
2.3 Capacità di apprendimento: il corso mira a fornire allo studente gli strumenti necessari per affrontare e risolvere autonomamente problemi inerenti all’apprendimento automatico.

CONTENUTI

Il corso si propone di presentare nel dettaglio metodi e algoritmi di apprendimento automatico (in inglese: Machine Learning) discutendone le proprietà e i criteri di applicabilità. Il Machine Learning è il “campo di studio che dà ai computer l’abilità di apprendere (a realizzare un compito) senza essere esplicitamente programmati a farlo” (Arthur Samuel, 1950). Recentemente grazie alla crescente quantità di informazioni digitalmente disponibili il Machine Learning è diventato un importante settore dell’informatica con moltissime applicazioni in svariati settori tra cui la medicina, l’analisi automatica del testo, i sistemi di guida autonoma ecc. L’obiettivo principale del corso è quindi fornire allo studente le conoscenze fondamentali per risolvere problemi di apprendimento automatico attraverso una corretta formulazione del problema, una scelta critica dell’algoritmo di apprendimento e un’analisi sperimentale per valutare i risultati ottenuti. Per questo motivo il corso prevede lezioni in laboratorio in modo da consentire allo studente di sperimentare direttamente le nozioni apprese su applicazioni reali.

I principali argomenti trattati durante il corso sono: Regressione lineare, Regressione Logistica, Support Vector Machines, K-Means, Clustering gerarchico, DBSCAN, Introduzione alle Reti neurali e al Deep Learning.

TESTI DI RIFERIMENTO

Articoli scientifici, report, presentazioni, ecc. Disponibili sul portale di E-Learning