PRESENTAZIONE

L'insegnamento di Machine Learning fornisce agli studenti una panoramica dei principali algoritmi di machine learning, considerandone gli aspetti statistici e computazionali.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Fornire gli strumenti per la comprensione teorica e l’utilizzo pratico dei principali algoritmi di apprendimento supervisionato e non supervisionato.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Al termine dell'insegnamento, lo studente avrà acquisito

• una buona  padronanza delle nozioni di base del machine learning e degli strumenti matematici ad esso connessi; 
• una conoscenza degli algoritmi di ottimizzazione convessa utili per il machine learning
• una conoscenza delle proprietà di alcuni algoritmi di machine learning  sia dal punto di vista statistico che dal punto di vista dell'implementazione numerica
• una discreta abilità nell'usare gli algoritmi su dati sintetici e/o reali discutendone la ragionevolezza dei risultati

PREREQUISITI

Analisi per funzioni di più variabili, Algebra Lineare e Probabilità.

MODALITA' DIDATTICHE

L'insegnamento sara' organizzato in lezioni frontali alla lavagna (circa 2/3) in cui i docenti introdurranno i concetti fondamentali ed illustreranno i diversi tipi di algoritmi. In parallelo, saranno svolte delle lezioni in laboratorio (circa 1/3), in cui gli studenti potranno sperimentare il comportamento degli algoritmi visti a teoria da un punto di vista pratico. 

PROGRAMMA/CONTENUTO

L'insegnamento fornisce le nozioni  necessarie per la comprensione e l'utilizzo dei principali algoritmi di apprendimento. Verranno introdotte le definizioni fondamentali relative ai problemi di apprendimento supervisionato e non supervisionato. Poi verranno presentati alcuni approcci per l'apprendimento statistico supervisionato, come metodi locali e regularization networks, sia nel caso lineare che nonlineare. Verranno altresì introdotte le reti neurali. Il corso conterrà anche un'introduzione a problemi di apprendimento non supervisionato, come clustering a dimensionality reduction. Gli argomenti trattati dal punto di vista teorico, saranno affrontati anche da un punto di vista numerico durante le lezioni in laboratorio. 

Il corso contribuisce al raggiungimento dei seguenti obiettivi di sviluppo sostenibile dell"agenda ONU 2030

• Obiettivo 4: fornire un’educazione di qualità, equa ed inclusiva, e opportunità di apprendimento per tutti
• Obiettivo 5: raggiungere l’eguaglianza di genere ed emancipare tutte le donne e ragazze

TESTI/BIBLIOGRAFIA

• L. Rosasco, Introductory Machine Learning Notes, University of Genoa,  (http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf)
• Steinwart, Ingo, Christmann, Andreas, Support vector machines, Springer, ISBN 978-0-387-77241-7

• Hastie, Tibshirani and Friedman. Elements of statistical learning

• Shalev-Shwartz and Ben-David. Understanding Machine Learning: from Theory to Algorithms

• Boyd, Vandenberghe, Convex Optimization, Cambridge University Press, 2004, ISBN 0 521 83378 7

DOCENTI E COMMISSIONI

Commissione d'esame

SILVIA VILLA (Presidente)

CESARE MOLINARI

LORENZO ROSASCO (Presidente Supplente)

ERNESTO DE VITO (Supplente)

LEZIONI

INIZIO LEZIONI

In accordo con il calendario accademico approvato dal Consiglio di Corsi di Studi.

ESAMI

MODALITA' D'ESAME

Esistono due modalità d'esame: la prima consiste nel svolgere delle verifiche scritte (e di laboratorio) intermedie che prevedano l'utilizzo dei concetti introdotti   durante l'insegnamento. Lo studente può decidere se completare l'esame con una prova orale oppure mantenere il voto ottenuto con lo scritto. 

Svolgimento della sola prova orale al termine dell'insegnamento su tutto il programma svolto. 

 Si consigliano gli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali di contattare i docenti 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 e forniscano idonei strumenti compensativi.

MODALITA' DI ACCERTAMENTO

Lo svolgimento degli esercizi e la prova orale sono finalizzate a verificare il raggiungimento da parte dello studente di una sufficiente capacità critica ed autonomia di ragionamento nell'ambito del machine learning e pertanto consistono di esercizi e di domande teoriche che prevedano la comprensione e l'utilizzo dei concetti appresi.  Le prove in laboratorio consistono in  notebooks che permettono l'implementazione e l'utilizzo guidato degli algoritmi introdotti a teoria. 

Si consigliano gli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali di contattare i docenti 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 e forniscano idonei strumenti compensativi.

Calendario appelli