| | | corso | | | |
Apprendimento Automatico
(Corso di Laurea in Informatica (quinquennale))
Codice: | 4I027 | Crediti: | 6 | Semestre: | 1 | Sigla: | AA | |
Docente
Alessandro Sperduti
Prerequisiti
Obiettivi di apprendimento
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.
Descrizione
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.
English Description
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.
Programma
- Lez 01: Introduzione ai concetti fondamentali
- Lez 02: Apprendimento di concetti, Spazio delle Ipotesi
- Lez 03: Spazio delle Ipotesi; Algoritmi Find-S e Candidate-Elimination
- Lez 04: Bias Induttivo; Apprendimento PAC
- Lez 05: Apprendimento PAC, VC-dimension
- Lez 06: Limiti al numero di Errori
- Lez 07: Esercizi ed esempi di spazio delle ipotesi, app. PAC e VC-dim.
- Lez 08: Esercizi, Alberi di Decisione, Rasoio di Occam
- Lez 09: Esercizi, Alberi di Decisione
- Lez 10: Esercizi, Overfitting negli Alberi di Decisione
- Lez 11: Esempi ed Esercizi su Alberi di Decisione
- Lez 12: Esercizi per compitino, Boosting
- Lez 13: Compitino
- Lez 14: Boosting
- Lez 15: Apprendimento Bayesiano
- Lez 16: Correzione compitino
- Lez 17: Apprendimento Bayesiano (parte II)
- Lez 18: Apprendimento Bayesiano (parte III)
- Lez 19: Algoritmi Genetici
- Lez 20: Algoritmi Genetici, Programmazione Genetica, Apprendimento con Rinforzo
- Lez 21: Apprendimento con Rinforzo
Ore lezione: | 25 | Ore esercitazione: | 15 | | | |
Bibliografia
Machine Learning, Tom Mitchell, McGraw Hill, 1998. (disponibile in
Biblioteca)
Modalità di esame
Scritto e orale