Università Roma Tre

Introduzione al Machine Learning: cosa è l'apprendimento automatico; a cosa mira, quali sono i problemi; quali sono gli strumenti teorici utilizzati; panoramica degli argomenti che saranno trattati durante il corso.

Supervised and unsupervised learning; Model representation; La funzione costo; L'algoritmo della discesa del gradiente;

La regressione lineare; Il gradient descent per la regressione lineare; La regressione logistica; Il gradient descent per la regressione logistica; La normal equation;

Il problema della classificazione; La rappresentazione dell'ipotesi; La funzione costo; Il metodo one-vs-all; Il problema dell'overfitting; La regolarizzazione nella regressione lineare e in quella logistica;

Il percettrone; Le Neural Networks; L'algoritmo di Error-back propagation; L'inizializzazione casuale dei pesi;
La selezione del modello; Il train, validation e test set; La diagnosi mediante bias e variance; Le curve di apprendimento; L'analisi degli errori;

Support Vector Machines;

Classificazione mediante l'algoritmo K-means;

Analisi delle componenti principali (PCA) per la riduzione della dimensionalità;

Algoritmi di rilevamento anomalie;

Sistemi di raccomandazione;

Sistemi di machine learning su larga scala compresi sistemi parallelizzati e map-reduce;

C.M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006
R.O. Duda, P.E. Hart, D.G. Stork. Pattern Classification (2001) John Wiley & Sons.