PRESENTAZIONE

Nell'era dell'informazione qualunque sistema o dispositivo genera una qualche forma di dati per scopi diagnostici o di analisi.
Il corso dettaglia le tecniche di analisi dei dati allo scopo di ricavarne informazioni e nuova conoscenza per il supporto alle decisioni.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Students will be provided with advanced skills related to machine learning and data analysis. Students will learn insights on machine learning and data analysis methodologies and a series of real world applications.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Lo studente sarà in grado di applicare le conoscenze acquisite ad un caso di studio reale ricavando il modello del fenomeno che ha generato i dati in esame.

During the course the following skills will be developed
- personal competence
- social competence
- ability to learn to learn
- competence in project creation
- competence in project management

PREREQUISITI

Programmazione (Matlab/Python/R), algebra lineare, probabilità e statistica.

MODALITA' DIDATTICHE

- Lezioni frontali (approx. 50%) (per sviluppare capacità di imparare a imparare)
- Esercitazioni (approx. 50%) (per sviluppare competenza personale)
- Possibilità di un progetto finale in coppia (per sviluppare competenza sociale, competenza in creazione progettuale e competenza in gestione progettuale)

Si consigliano gli studenti lavoratori e gli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali di contattare il docente all’inizio del corso per concordare modalità didattiche e d’esame che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali.

PROGRAMMA/CONTENUTO

1. Inferenza statistica
2. Apprendimento supervisionato, semisupervisionato, e non supervisionato
3. Teoria dell'apprendimento statistico
4. Algorithmi Shallow di Machine Learning (esempi in linguaggio Matlab/Python/R)
5. Algorithmi Deep di Machine Learning (esempi in linguaggio Matlab/Python/R)
6. Model Selection e Error Estimation

TESTI/BIBLIOGRAFIA

C. C. Aggarwal "Data Mining - The textbook" 2015
T. Hastie, R.Tibshirani, J.Friedman "The Elements of Statistical Learning: Data Mining, Inference, and Prediction" 2009.
S. Shalev-Shwartz, S. Ben-David "Understanding machine learning: From theory to algorithms" 2014
I. Goodfellow, Y. Bengio, A. Courville "Deep learning" 2016
C. C. Aggarwal "Neural networks and deep learning." 2023
L. Oneto "Model Selection and Error Estimation in a Nutshell" 2020

DOCENTI E COMMISSIONI

Commissione d'esame

LUCA ONETO (Presidente)

FABIO ROLI

DAVIDE ANGUITA (Presidente Supplente)

LEZIONI

INIZIO LEZIONI

https://easyacademy.unige.it/portalestudenti/index.php?view=easycourse&_lang=it&include=corso

ESAMI

MODALITA' D'ESAME

Orale su appuntamento

MODALITA' DI ACCERTAMENTO

Lo studente risolverà un problema reale a piacere applicando le tecniche apprese durante il corso.

Calendario appelli