OBIETTIVI FORMATIVI

Allo studente verranno fornite nozioni avanzate di machine learning e data analysis.
Lo studente acquisirà competenze nel settore del machine learning e della data analysis anche attraverso una serie di esempi di applicazione reale delle metodologie presentate nel corso

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.

PREREQUISITI

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

MODALITA' DIDATTICHE

Il corso alterna lezioni frontali con sessioni di esercitazioni pratiche al calcolatore in linguaggio Matlab/Python/R

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
L. Oneto "Model Selection and Error Estimation in a Nutshell" 2020