Salta al contenuto principale della pagina

MACHINE LEARNING

CODICE 98959
ANNO ACCADEMICO 2022/2023
CFU
  • 6 cfu al 2° anno di 9269 INGEGNERIA MECCANICA - PROGETTAZIONE E PRODUZIONE(LM-33) - LA SPEZIA
  • SETTORE SCIENTIFICO DISCIPLINARE INF/01
    LINGUA Inglese
    SEDE
  • LA SPEZIA
  • PERIODO 1° Semestre
    MATERIALE DIDATTICO AULAWEB

    PRESENTAZIONE

    Il corso fornisce conoscenze di base riguardo a tecniche di machine learning, classiche ed attuali, che possono vantaggiosamente essere applicate in campi diversificati come l'automazione delle linee di produzione, il controllo di qualità, la robotica, la sorveglianza, i veicoli a guida automatica, e molti altri. 

    OBIETTIVI E CONTENUTI

    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)

    DOCENTI E COMMISSIONI

    Commissione d'esame

    STEFANO ROVETTA (Presidente)

    FRANCESCO MASULLI (Presidente Supplente)

    LEZIONI

    Orari delle lezioni

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

    ESAMI

    MODALITA' D'ESAME

    Scritto, pratica

    MODALITA' DI ACCERTAMENTO

    - Esercitazioni in itinere (50%)

    - Quiz finale (50%)

    Calendario appelli

    Data Ora Luogo Tipologia Note
    09/01/2023 14:00 LA SPEZIA Scritto + Orale
    07/02/2023 14:00 LA SPEZIA Scritto + Orale
    16/06/2023 14:00 LA SPEZIA Scritto + Orale
    29/06/2023 14:00 LA SPEZIA Scritto + Orale
    05/09/2023 14:00 LA SPEZIA Scritto + Orale