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