corso |
Codice: | 321AA | Crediti: | 6 | Semestre: | 2 | Sigla: | AA2 | |
Settore disciplinare: | INF/01 - Informatica |
Corso di AA1 (o RN1) , con specifica attenzione a :
- Reti Neurali Feedforward e algoritmo di Back-propagation, Self-Organizing Map.
- Support Vector Machines e modelli a Kernel
- Teoria Statistica dell'Apprendimento.
- Validazione (principi e tecniche).
- Modelli Bayesiani e Grafici.
E' possibile acquisire parallelamente al corso le nozioni sulle basi di apprendimento automatico/RNElementi di algoritmi di ricerca, probabilita', statistica, calcolo differenziale.
Il corso di AA2 si colloca tra i corsi avanzati per la specializzazione in Machine Learning e Computational Intelligence.
Lo scopo principale riguarda:
- il trattamento di dati e problemi complessi.
- l'analisi di strumenti e modelli di apprendimento automatico e reti neurali non tradizionali considerando l'estensione a dati non vettoriali, inclusi sequenze e strutture (alberi e grafi) a dimensione variabile.
- l'introduzione a modeli ricorrenti in ambito neurale (RNN) e generativo e a modelli avanzati basati su kernel.
- il design di modelli avanzati di Machine Learning (con enfasi alla sinergia tra lo sviluppo di nuovi strumenti e il modellamento di applicazioni interdisciplinari innovative).
Una particolare enfasi verra' posta sull'applicazione di tali modelli a problemi reali nelle Scienze Naturali cosi come all'introduzione di temi di ricerca.
I contenuti intendono fornire una base metodologica e strumenti adattivi per il trattamento di dati complessi tipici (a titolo di esempio) delle aree dell'elaborazione del linguaggio, della visione, dell'elaborazione di segnali, della robotica e del controllo, della bioinformatica, della cheminformatica, dell'analisi di testi e documenti web, del trattamento di processi dinamici in sistemi interattivi.
Sono di particolare interesse per una specializzazione nelle tematiche del Machine Learning volta alla costruzione di nuovi modelli e applicazioni interdisciplinari innovative.
Si osservi che il corso *non reintroduce* paradigmi specifici (gia trattati nel corso di AA1) ma ne riprende alcuni di base del Machine Learning (tra cui i neurali, a kernel, e probabilistici) per studiare nel loro ambito, in modo paradigmatico, il design di modelli avanzati.
Il PROGRAMMA includera' (ma non e' ristretto a) le seguenti classi di metodologie:
- Modelli e teoria delle reti neurali ricorrenti (dinamiche)
Algoritmi di apprendimento: BPTT, RTRL.
- Reservoir computing (analisi critica)
- Hidden Markov Models
- Metodi basati su Kernel per non-vectorial data
- Unsupervised learning per dati complessi
- Cenni di approcci sintattici e simbolici
- Applicazioni interdisciplinari con enfasi a Bioinformatics e Cheminformatics
Seguiremo un approccio incrementale che a partire da modeli per il trattamento di strutture sequenziali (e.g. serie temporali e sequenze discrete) mostera' l'estensione dei metodi a domini piu' complessi.
I casi di studio applicativi mostreranno in modo paradigmatico la creazione di modelli funzionali ai problemi in analisi.
Ore lezione: | 48 |