OBIETTIVI FORMATIVI

Questo corso fornisce una introduzione alle discipline dell'apprendimento automatico e pattern recognition statistica. Gli argomenti comprendono: (1) Elementi e teoria della pattern recognition. (2) Apprendimento supervisionato: concetti e metodi. (3) Apprendimento non supervisionato: concetti e alcuni metodi rappresentativi. (4) Metodo di lavoro e buone pratiche in apprendimento automatico. Il corso presenterà anche casi di problemi risolti con successo e possibili applicazioni e casi di studio nei campi della robotica e della automazione industriale intelligente

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Lo studente che abbia seguito il corso con profitto sarà in grado di:

• dimonstrare la conoscenza di un insieme di tecniche e problemi in machine learning e pattern recognition, comprese le motivazioni scientifiche e tecnlogiche alla base
• applicare alcune tecniche a problemi significativi
• programmare metodi di machine learning di complessità da bassa a intermedia usando strumenti di programmazione software standard, senza essere vincolato all'uso di librerie
• affrontare il workflod di un compito di machine learning dalla manipolazione dei dati alla presentazione dei risultati
• usare il pensiero critico per analizzare un problema e scegliere il metodo di machine learning più appropriato da applicare

PREREQUISITI

• Conoscenze di base di calcolo, algebra lineare, geometra, tipicamente acquisite al primo o al secondo anno di un corso di studi in ingegneria.
• Conoscenze di base, ma operative, di programmazione Matlab o Python

Ulteriori argomenti di base (elementi di probabilità, di statistica, di ottimizzazione) verranno forniti durante il corso.

MODALITA' DIDATTICHE

Lezioni, laboratori guidati, compiti a casa assegnati

PROGRAMMA/CONTENUTO

• Introduction, basic concepts, types of problems
• Linear thershold classifiers
• Probabilities; Bayesian decision theory (the Naive bayes classifier)
• Linear regression as a simple learning problem
• Optimisation (convexity, criteria, gradient descent, stochastic methods)
• Statistics and learning (sampling, parameter estimation)
• Parametric and non-parametric methods (Gaussian mixtures, nearest neighbour rules, decision trees/forests)
• Evaluation of classifiers (methodology, quality indices)
• Neural networks (history, perceptrons, multilayer perceptrons, the error back-propagation algorithm, deep learning)
• Unsupervised learning (clustering methods)
• Mapping and input space transformations (PCA, nonlinear embedding methods, kernel methods, support vector machines)

TESTI/BIBLIOGRAFIA

Slide/dispense del corso

Per una bibliografia dettagliata fare riferimento alla pagina Aulaweb del corso (da https://corsi.unige.it/9269#chapter-5 aprire Manifesto degli Studi, cercare Machine Learning e cliccare)