Salta al contenuto principale della pagina

MACHINE LEARNING AND DATA ANALYSIS

CODICE 86798
ANNO ACCADEMICO 2022/2023
CFU
  • 6 cfu al 1° anno di 10852 COMPUTER SCIENCE (LM-18) - GENOVA
  • 6 cfu al 3° anno di 8766 STATISTICA MATEM. E TRATTAM. INFORMATICO DEI DATI (L-35) - GENOVA
  • 6 cfu al 1° anno di 11160 COMPUTER ENGINEERING (LM-32) - GENOVA
  • 6 cfu al 2° anno di 11160 COMPUTER ENGINEERING (LM-32) - GENOVA
  • 3 cfu al 2° anno di 10635 ROBOTICS ENGINEERING (LM-32) - GENOVA
    		•
    SETTORE SCIENTIFICO DISCIPLINARE ING-INF/05
    LINGUA Inglese
    SEDE
  • GENOVA
    		•
    PERIODO 1° Semestre
    MATERIALE DIDATTICO AULAWEB

    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

    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

    DOCENTI E COMMISSIONI

    Commissione d'esame

    LUCA ONETO (Presidente)

    MARCO MARATEA

    DAVIDE ANGUITA (Presidente Supplente)

    LEZIONI

    INIZIO LEZIONI

    https://courses.unige.it/11160/p/students-timetable

    Orari delle lezioni

    L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.

    ESAMI

    MODALITA' D'ESAME

    Orale su appuntamento

    Studenti con disturbi specifici di apprendimento (DSA) potranno utilizzare modalità di esame e supporti determinati di volta in volta in accordo con il delegato della Scuola di Ingegneria facente parte della commissione di Ateneo per l'inclusione degli studenti con disabilità.

    MODALITA' DI ACCERTAMENTO

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

    Calendario appelli

    Data Ora Luogo Tipologia Note
    16/02/2023 09:00 GENOVA Esame su appuntamento
    15/09/2023 09:00 GENOVA Esame su appuntamento