| | | |  corso | | | | |
Apprendimento automatico: fondamenti
| Codice: | 320AA | Crediti: | 6 | Semestre: | 1 | Sigla: | AA1 | |
| |
| Settore disciplinare: | INF/01 - Informatica |
Docente
Alessio Micheli
Tel. 0502212798Prerequisiti
Analisi matematica: funzioni, calcolo differenziale; algoritmica, elementi di probabilità e statistica
Obiettivi di apprendimento
Gli obiettivi del corso sono di introdurre i principi e i metodi dell'apprendimento da insiemi di dati,
con particolare attenzione alle reti neurali e alle loro evoluzioni, oggi alla base della costruzione di sistemi intelligenti e sistemi adattivi in molti domini applicativi innovativi in informatica e in settori interdisciplinari.
Il corso si focalizza in particolare sull'analisi critica delle caratteristiche per la realizzazione e l'uso appropriato di algoritmi di apprendimento di funzioni da esempi e per la modellazione e valutazione sperimentale.
Conoscenze. Principali modelli e algoritmi di apprendimento, con enfasi al paradigma delle reti neurali.
Inquadramento critico delle caratteristiche e limitazioni delle metodologie di apprendimento.
Fondamenti teorici: principi induttivi alla base dei processi di apprendimento.
Tecniche di validazione.
Domini applicativi.
Capacità. Capacità di progettare soluzioni a problemi con metodi di reti neurali e apprendimento automatico.
Capacità di analisi e sviluppo di modelli come strumento per problemi complessi e/o per l’avanzamento metodologico.
Capacità di applicazione rigorosa e valutazione sperimentale dei metodi di apprendimento.
Comportamenti. Consapevolezza dei limiti attuali e delle potenzialità dei sistemi di apprendimento; uso critico dei modelli per problemi reali.
Descrizione
Alcune letture introduttive sull'apprendimento automatico e l'intelligenza artificiale (IA) moderna si possono trovare nella sezione "What is Machine Learning" del sito: http://www.di.unipi.it/~micheli/DID/
English Description
The course introduces the machine learning principles and models, with a focus on neural networks methods, learning principles and support vector machines.
Indicazioni metodologiche
I concetti sono introdotti progressivamente a partire dagli approcci più semplici di apprendimento automatico fino ai modelli allo stato dell'arte, sia neurali che ad essi complementari, nell'ambito dell'inquadramento concettuale generale e moderno del machine learning (apprendimento di funzioni da esempi e ricerca in spazi di ipotesi).
Si intende incoraggiare l’utilizzo di una formulazione computazionale dei problemi e dei sistemi di apprendimento.
Programma
Il nuovo programma dettagliato per AA1 dell'anno in corso sarà rilasciato a lezione.Programma indicativo e sintetico:
- Introduzione: Compiti computazionali nell'apprendimento predittivo e concetto di generalizzazione.
- Modelli e concetti di base: Struttura dello spazio delle ipotesi, spazi discreti e continui, bias induttivo, modelli lineari, nearest neighbor, modelli proposizionali e basati su regole.
- Modelli a Reti Neurali: Perceptron e proprietà computazionali. Reti Neurali multistrato feedforward: architetture e algoritmi di apprendimento.
- Principi dell'apprendimento, aspetti pratici generali e valutazione: Teoria Statistica dell'Apprendimento. Validazione. Analisi Bias-Variance.
- Support Vector Machines e modelli a Kernel.
- Modelli Bayesiani e Grafici.
- Unsupervised learning.
- Introduzione alle Applicazioni.
