Apprendimento Automatico

Alessandro Sperduti

L'obiettivo del corso è quello di fornire le basi teoriche necessarie per lo sviluppo di sistemi che utilizzano l'apprendimento automatico. In particolare, il corso si focalizza su sistemi che hanno come obiettivo primario il trattamento di informazione numerica attraverso tecniche di Soft-Computing.

In questo corso si presentano alcuni dei concetti fondamentali che caratterizzano l'Apprendimento Automatico, cioè quella classe di tecniche ed algoritmi in grado di migliorare automaticamente le loro prestazioni sulla base dell'esperienza.
A causa della durata semestrale del corso, non tutti gli aspetti e tecniche esistenti sono presentate. In particolare, il corso non tratta le Reti Neurali, che sono già ampiamente coperte dai corsi di Reti Neurali I e Reti Neurali II.
Gli argomenti coperti dal corso possono essere caratterizzati, a parte il caso degli Alberi di Decisione, come appartenenti alla classe dei metodi sub-simbolici, cioè che non utilizzano regole simboliche per rappresentare la conoscenza appresa.
Gli Alberi di Decisione sono stati inclusi a causa della loro diffusa utilizzazione in applicazioni pratiche.
Il corso tratta anche concetti teorici, quali l'apprendimento PAC e la VC-dimension, necessari per una migliore comprensione della materia.
I principali algoritmi e tecniche esposte saranno chiariti, per quanto possibile, attraverso esempi e esercizi risolti durante le lezioni.

The aim of the course is to present basic algorithms and tools for machine learning. The focus is especially on soft-computing techniques, such as probabilistic techniques, boosting, genetic algorithms, reinforcement learning. However, both concept learning and decision trees are described as well. Some theoretical issues about computational learning, such as PAC-learning and VC-dimension, are also covered.

Machine Learning, Tom Mitchell, McGraw Hill, 1998. (disponibile in Biblioteca)

Compitini e orale