CODICE 98795 ANNO ACCADEMICO 2022/2023 CFU 6 cfu anno 3 STATISTICA MATEM. E TRATTAM. INFORMATICO DEI DATI 8766 (L-35) - GENOVA 6 cfu anno 1 MATEMATICA 9011 (LM-40) - GENOVA SETTORE SCIENTIFICO DISCIPLINARE MAT/06 SEDE GENOVA PERIODO 2° Semestre MATERIALE DIDATTICO AULAWEB PRESENTAZIONE Il corso 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 L’obiettivo primario è quello di fornire allo studente il linguaggio e gli strumenti di base dell’apprendimento automatico, con particolare enfasi al caso supervisionato. L’approccio seguito si basa su una formulazione del problema del machine learning come problema inverso stocastico. Lo studente dovrà inoltre conoscere alcuni degli algoritmi più noti, comprendendone sia le proprietà statistiche sia quelle computazionali. 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 Linerare e Probabilità. MODALITA' DIDATTICHE Lezioni frontali di teoria e laboratori PROGRAMMA/CONTENUTO Il corso fornisce le nozioni necessarie per la comprensione e l'utilizzo dei principali algoritmi di apprendimento. Verranno introdotti 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 nonsupervisionato, 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. 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 SILVIA VILLA Ricevimento: Su appuntamento: parlare direttamente con il docente oppure scrivere a silvia.villa@unige.it. LORENZO ROSASCO CESARE MOLINARI 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. Orari delle lezioni MACHINE LEARNING ESAMI MODALITA' D'ESAME L'esame consiste nella discussione di una breve tesina in sede di esame. Lo studente può scegliere uno delle seguente tipologie sviluppare uno degli argomenti in programma analizzare e discutere un articolo di ricerca legati alle tematiche trattate a lezione sviluppo di un codice in un linguaggio di programmazione a scelta dello studente di uno o più algoritmi trattati a lezione utilizzo di codice esistente per l'analisi di dati sintentici e reali e discussione critica dei risultati ottenuti Lo studente deve concordare preventivamente con i docenti l'argomento della tesina. 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 La preparazione della tesina e la relativa discussione sono finalizzate a verificare il raggiungimento da parte dello studente di una sufficiente capacità critica ed autonomia di ragionamento nell'ambito del machine learning. La verifica verrà fatta mediante una presentazione di circa 30 minuti in cui verranno posta domande sull'argomento scelto e domande di base sul programma del corso. 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.
