elenco    
        corso    

Apprendimento automatico: fondamenti

Codice: 320AACrediti: 6Semestre: 1Sigla: AA1 
 
Settore disciplinare: INF/01 - Informatica

Docente

Alessio Micheli   micheli@di.unipi.it  Stanza 358  Tel. 0502212798

Prerequisiti

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

Breve presentazione di AA1 con slide: http://www.di.unipi.it/~micheli/DID/AA1-13-IT.pdf

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

  

Machine Learning: Fundamentals  (AA1):

The course introduces the machine learning principles and models, with a focus on neural networks methods,  basic theory of learning and support vector machines.

Objective of the course:

We introduce the principles and the critical analysis of the main paradigms (models and algorithms) for learning from data and their applications.

The concepts are progressively introduced starting from simpler approaches up to the state-of-the-art models in the general conceptual framework of modern machine learning. The course focuses on the critical analysis of the characteristics for the design and use of the algorithms for learning functions from examples and for the rigorous experimental evaluation.

Short presentation of AA1 by slides, see: http://www.di.unipi.it/~micheli/DID/AA1-13-EN.pdf

Introductive enjoyable reading on “What is Machine Learning”, see: http://www.di.unipi.it/~micheli/DID/

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

In Italiano:
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  (algoritmi di apprendimento e proprietà), nearest neighbor (algoritmi di apprendimento e proprietà), 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: model selection e model assessment. Analisi Bias-Variance.
• Support Vector Machines e modelli a Kernel.
• Modelli Bayesiani e Grafici.
• Unsupervised learning: vector quantization, self-organizing map.
• Introduzione alle Applicazioni.

 

 

In English:
See the final program provided during the course
Indicative synthetic programme:

• Introduction: Computationl learning tasks, prediction, generalization.
• Basic concepts and models: structure of the hypothesis space, discrete and continuous spaces, linear models (learning models and properties), nearest neighbor (learning models and properties), prepositional and rule based models, inductive bias.
•  Neural models: Perceptron and computational properties. Introduction to multilayer feedforward Neural Networks architectures and learning algorithms.
• Principles of learning processes and general practical aspects:
Validation: model selection and model assessment, Bias-Variance analysis. Elements of  Statistical Learning Theory, VC-dimension.
• Support Vector Machines: linear case, kernel-based models.
• Bayesian and Graphical models.
• Unsupervised learning: vector quantization, self-organizing map.
• Introduction to Applications.

     


Ulteriore pagina web del corso: http://www.di.unipi.it/~micheli/DID/


home


email