| | | corso | | | |
Apprendimento Automatico
Codice: | AA278 | Crediti: | 6 | Semestre: | 1 | Sigla: | AA | |
|
Settore disciplinare: | INF/01 - Informatica |
Docente
Antonina Starita
Prerequisiti
Elementi di algoritmi di ricerca, probabilità, statistica, calcolo
differenziale, algebra lineare, reti neurali.
Obiettivi di apprendimento
Raggiungere una approfondita conoscenza delle problematiche
legate alla realizzazione di algoritmi di apprendimento automatico per
applicazioni innovative.
Descrizione
Gli algoritmi per l'apprendimento automatico sono alla base di molte
importanti applicazioni innovative dell'informatica come il riconoscimento
automatico dei caratteri stampati e manoscritti, il riconoscimento vocale,
la computer intrusion detection, i filtri anti-spam, e l'estrazione di
informazioni dalle pagine web. Gli algoritmi presentati nel corso includono
learners lineari (Gaussian maximum likelihood, Naive Bayes, regressione
logistica) e learners non lineari (decision trees, support-vector machines,
nearest neighbor methods). Inoltre verranno introdotti anche metodi di
ensemble avanzati come il bagging e il boosting.
English Description
null
Programma
Introduzione - Apprendimento Bayesiano - Instance Base Learning - Teoria
Statistica dell'Apprendimento - VC-dimension - Support Vector Machines -
Analisi Bias/Variance Analysis - Metodi per prevenire l' Overfitting -
Valutazione comparazione di Learners - Apprendimento non supervisionato ?
Analisi delle Componenti Principali ? Analisi delle Componenti Indipendenti -
Apprendimento non supervisionato ? Clustering ? Algoritmo EM ? C-Means -
Clustering robusto - Fuzzy Clustering - Apprendimento di Concetti - Alberi di
Decisione - PAC Learning, Bound sul numero di esempi - Ensemble di Learners -
Apprendimento con Rinforzo.
Bibliografia
Testo di riferimento:
- T. M. Mitchell, Machine learning, McGraw-Hill, 1997
Testi di approfondimento:
- V. Cherkassky e F. Mulier, Learning from data : concepts, theory, and
methods, Wiley, 1998 (MAT 68-1998-229)
- R.O. Duda, P.E. Hart e D.G. Stork, Pattern Classification, 2nd. ed. J.
Wiley & Sons, 2001
- V. Kecman, Learning and Soft Computing, MIT Press, Cambridge, MA, 2001
- T. Hastie, R. Tibshirani, J. H. Friedman, The Elements of Statistical
Learning, Springer Verlag, 2001
Modalità di esame
Scritto e orale