9797562 - MACHINE LEARNING A - L

Conoscenza e capacità di comprensione

Questo corso fornisce una conoscenza di base delle tecniche e algoritmi di Machine Learning, con un focus particolare su modelli di regressione, classificazione e apprendimento non supervisionato. Gli studenti impareranno a valutare le prestazioni dei modelli attraverso metriche di errore e tecniche di validazione, affrontando tematiche come overfitting e il tradeoff bias-varianza. Il corso esplora anche metodi di regolarizzazione, algoritmi di ensemble come bagging e boosting, e le reti neurali.

Conoscenze applicate e capacità di comprensione

Il corso include esempi pratici ed esercizi che permetteranno agli studenti di applicare metodi di Machine Learning a problemi reali, utilizzando strumenti software comunemente usati nel settore quali scikit-learn. Gli studenti impareranno a progettare e implementare modelli di Machine Learning, gestire il caricamento e il preprocessamento dei dati, e validarne le prestazioni tramite metriche standard.

Autonomia di giudizio

Gli studenti svilupperanno la capacità di valutare le prestazioni dei modelli di Machine Learning, identificare e mitigare problemi di overfitting e bias, e scegliere tra diversi modelli e tecniche di ottimizzazione in base al contesto del problema.

-       Lezioni frontali, per fornire conoscenze teoriche e metodologiche della materia;

-       Esercitazioni pratiche, per sviluppare competenze di “problem solving” e applicare la metodologia di progettazione;

-       Laboratori, per apprendere e testare l’utilizzo degli strumenti correlati.

Qualora l’insegnamento fosse erogato in modalità mista o a distanza, potrebbe essere necessario introdurre modifiche rispetto a quanto sopra.

Fortemente consigliata. La frequenza e la partecipazione attiva alle attività in aula contribuiranno positivamente alla valutazione complessiva dell’esame finale.

1.     Concetti di base del machine learning

1.1.         Modelli e parametri

1.2.         Modalità di apprendimento (supervised, unsupervised, self-supervised, reinforcement learning)

1.3.         Valutazione delle prestazioni (precision, recall, F1-score, Curva ROC e AUC, MAE, MSE, Cross-validation e overfitting, Bias-variance trade-off)

2.     Apprendimento supervisionato

2.1.         Regressione lineare

2.2.         Regolarizzazione

2.3.         Classificazione lineare e non-lineare

2.4.         Suppor vector machines

2.5.         Alberi decisionali, bagging and boosting

2.6.         Classificatori non-parametrici

2.7.         Reti neurali

3.     ⁠Apprendimento non supervisionato

3.1.         Clustering

3.2.         Riduzione della dimensionalità

4.     Laboratorio di machine learning con ⁠Python

4.1.         Sintassi, tipi di dato, strutture di controllo, classi

4.2      Librerie per il machine learning

Dispense fornite dal docente

Progetto individuale su tematiche proposte dai docenti, da svolgere a casa.

Esame orale con discussione del progetto e domande di teoria.

Disponibili sul sito del corso TEAMS e/o Studium.