Obiettivi del corso sono:
lezioni frontali in aula
Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte le necessarie variazioni rispetto a quanto dichiarato in precedenza, al fine di rispettare il programma previsto e riportato nel syllabus.
Programmazione.
Nozioni di base di statistica e calcolo delle probabilità.
Nozioni di basi di dati.
Algebra lineare.
nozioni di calcolo numerico.
Obbligatoria
a) Chapters from: Pattern Recognition and Machine Learning (Information Science and Statistics) Bishop C.M: Editore: Springer, 2007
b) Chapters from:Python for Data Analysis: Data Wrangling with Pandas, Numpy, and IPython (Inglese) W.Mckinney O'reilly 2017
Argomenti | Riferimenti testi | |
---|---|---|
1 | Introduzione ai dati, raccolta, tipologia, problematiche generali | Dispensa/slides del docente |
2 | Richiami elementari alla probabilità, sigma Algebre e approccio di Kolmogorov | Dispensa/slides del docente |
3 | Statistica descrittiva classica e esploraizone visuale dei dati | capitoli dal testo b) |
4 | Dati multivariati: correlazione e indipendenza, misure di correlazione | capitoli dal testo a) |
5 | Regressione lineare | Dispensa/slides del docente |
6 | Regressione non lineare | Dispensa/slides del docente |
7 | Regressione logistica | Dispensa/slides del docente |
8 | Formula di Bayes e applicazioni al trattamento dei dati | capitoli dal testo a) |
9 | Classificatore MAP, algoruitmo Bayes naive | capitoli dal testo a) |
10 | Analisi degli errori di classificaizone: errore di training e di generalizzazione | capitoli dal testo a) |
11 | Matrice di confusione, curve ROC, rischio di un classificatore | capitoli dal testo a) |
12 | Linear discriminant Analysys e Fisher discriminant analysis | capitoli dal testo a) |
13 | Support Vector machine e kernel trick | Dispensa/slides del docente |
14 | Metodi non parametrici per la classificazione | capitoli dal testo a) |
15 | Alberti decisionali, CART e misure di omogeneità | capitoli dal testo b) |
16 | Algoritmo k-nn, motivazioni teoriche e ottimizzazione | capitoli dal testo a) |
17 | Cluster analysis, analisi di mixture gaussiane | capitoli dal testo b) |
18 | K-means e cenn al fuzzy k-means | capitoli dal testo b) |
19 | Clustering gerarchico | capitoli dal testo a) |
L'esame si articola in tre prove distinte:
a) lo studente propone al docente lo studio di un dat set a sua scelta e concorda con il docente il tipo di analisi e irisultati cui tale analisi è orientata; raccomandata almeno una revisione intemredia dle progetto con il docente.(vedi laboratorio)
b) colloquio orale di verifica delle conoscenze di base relative al corso.
"La verifica dell’apprendimento potrà essere effettuata anche per via telematica, qualora le condizioni lo dovessero richiedere."
Il progetto di anlai parte da data set di dimensioni medio-grandi ottenibili in rete (molto popolare la scelta di data set da Kaggle)
Domande d'esame:
a) regola di Bayes e applicaizoni alla classificazione
b) strategie di ottimizzazione per il knn
c) misure di omogeneità
d) misure di correlazione