Conoscenze di base di statistica e conoscenze di base di informatica.

L'obiettivo principale di questo corso è fornire un'introduzione al Machine Learning. Il corso coprirà la classificazione e regressione supervisionata, algoritmi discriminativi e generativi, alberi decisionali, support vector machine, neural network. Attraverso l'introduzione di librerie Python, gli studenti acquisiranno una comprensione pratica dei metodi insegnati, in particolare realizzando le proprie implementazioni di diversi metodologie.

Gli obiettivi formativi del corso possono essere ulteriormente descritti di seguito:

CONOSCENZA E COMPRENSIONE: conoscere nozioni fondamentali teoriche nell'ambito del Machine Learning con focus principale sugli algoritmi di classificazione e regressione.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: saper addestrare, validare e testare metodologie di machine learning su dataset di benchmark e dataset reali.

Il corso si concentra sui fondamenti teorici, le tecniche, le metodologie e le applicazioni del Machine Learning. In particolare, il corso tratterà i seguenti argomenti: - Introduzione alle nozioni di Intelligenza Artificiale e Machine Learning. - Introdurre le conoscenze teoriche sugli algoritmi di Machine Learning. - Classificazione e regressione supervisionata. - Classificatori discriminativi e generativi. - Modelli lineari e modelli non lineari. - Alberi decisionali - Support Vector Machine -Neural Network. -Laboratorio, Machine Learning in Python: Introduzione all'utilizzo di librerie Python per il Machine Learning.

(A) Christopher M. Bishop Pattern Recognition and Machine Learning Springer, USA, 2006. ISBN: 978-0387-31073-2

N/A

• - Lezioni frontali - Esercitazioni - Slide - Project work - Seminari Utilizzo del linguaggio di programmazione open source Python, librerie Pandas e scikit-learn.

• La valutazione degli studenti consiste in due prove: - un project work, riguardante esercizi in Python sulle tematiche riportate nei contenuti del corso, da completare in gruppo (max 3 persone) o singolarmente; - una prova orale, consistente in domande di approfondimento sugli esercizi della prova scritta o su qualsiasi altro argomento trattato nel corso e riportato nei contenuti del corso. Il project work verra assegnato allo studente durante l'ultima lezione frontale oppure con esplicita richiesta via mail. Il project work potrò essere svolto in maniera remota entro una settimana dall'assegnazione. Lo studente potrà consultare il materiale didattico messo a disposizione dal docente. Il docente metterà a disposizione esempi di project work svolti negli anni precedenti. Il project work è propedeutico alla prova orale, per accedere alla quale lo studente deve aver ottenuto almeno la sufficienza nella valutazione del project work (18/30). Il docente valuterà la risoluzione del project work in merito all'implementazione dell'algoritmo di Machine Learning per analizzare un dataset di benchmark. La prova orale deve essere sostenuta nello stesso appello del project work. Nel caso di esito negativo per la prova orale (votazione minore di 18/30), lo studente deve ripetere anche il project work. Il voto finale sarà calcolato attraverso la seguente media pesata: 0.7 * votazione project work + 0.3 * votazione prova orale.

Italiano