Vinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.x

MACHINE LEARNING

SCHEDA DELL'INSEGNAMENTO (SI)
SSD ING-INF/05

 

LAUREA MAGISTRALE IN INGEGNERIA INFORMATICA

ANNO ACCADEMICO: 2022-2023

 

INFORMAZIONI GENERALI - DOCENTE

DOCENTE: CARLO SANSONE
TELEFONO: 081-7683640
EMAIL: Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo.

 

INFORMAZIONI GENERALI - ATTIVITÀ

INSEGNAMENTO INTEGRATO (EVENTUALE):
MODULO (EVENTUALE):
CANALE (EVENTUALE):
ANNO DI CORSO (I, II, III): II
SEMESTRE (I, II): I
CFU: 6

 

INSEGNAMENTI PROPEDEUTICI

(se previsti dall'Ordinamento del CdS)

...................................................................................................................................................

 

EVENTUALI PREREQUISITI

...................................................................................................................................................

 

OBIETTIVI FORMATIVI

Obiettivo del corso è presentare i principali tecniche di Machine Learning per la soluzione di problemi di classificazione, predizione numerica e clustering e le metodologie di gestione e sviluppo di un processo di Machine Learning, dalla preparazione dei dati alla valutazione dei risultati.
Il corso consentirà anche di sviluppare competenze pratiche nella soluzione di problemi reali tramite tecniche di Machine Learning, grazie ad esercitazioni svolte con tool commerciali e/o open source.

 

RISULTATI DI APPRENDIMENTO ATTESI

(Descrittori di Dublino)

Conoscenza e capacità di comprensione
Lo studente deve conoscere i principali algoritmi di Machine Learning e Deep Learning. Lo studente deve inoltre dimostrare di essere in grado di scegliere l’algoritmo di Machine Learning più adatto a risolvere uno specifico problemi di classificazione e/o predizione numerica e/o clustering, sulla base dei requisiti del problema medesimo. Lo studente deve infine dimostrare di essere in grado di scegliere le opportune tecniche di preparazione dei dati e deve conoscere le tecniche necessarie per la valutazione delle prestazioni di algoritmi di Machine Learning e Deep Learning.


Capacità di applicare conoscenza e comprensione
Lo studente deve dimostrare di essere in grado di risolvere problemi reali di classificazione, predizione numerica o clustering utilizzando tecniche di Machine Learning. Deve anche dimostrare di saper valutare in modo corretto le prestazioni dei sistemi che realizza.

 

PROGRAMMA-SYLLABUS

Introduzione al Machine Learning (0.25 CFU)

Input ed Output (0.5 CFU)
Concetti, istanze ed attributi. Rappresentazione della conoscenza.

Metodi di base (1.25 CFU)
Modelli probabilistici, alberi di decisione, regole di classificazione, modelli lineari, instance-based e multi-instance learning, clustering.

Valutazione delle prestazioni (0.5 CFU)
Training e Testing. CV, LOO, Cost-sensitive classification. ROC. Valutazione di algoritmi di predizione numerica.

Metodi avanzati (2 CFU)
Alberi di decisione: C4.5. Regole di classificazione. Instance-based learning. Estensione dei modelli lineari: SVM. Epsilon-SVR. MLP. Predizione numerica con modelli lineari.

Trasformare i dati (0.25 CFU)
Selezione degli attributi, PCA, Discretizzazione, Campionamento. One-class classification.

Metodi probabilistici (0.25 CFU)
Reti bayesiane. Probability Density Estimation e Clustering. Modelli sequenziali e temporali (cenni).

Deep Learning (0.5 CFU)
Addestramento e valutazione delle prestazioni di reti deep, Convolutional Neural Networks, Autoencoders. Reti Neurali ricorrenti e GAN (cenni).

Oltre l'apprendimento supervisionato e non-supervisionato (0.25 CFU)
Semi-supervised learning. Multi-instance learning.

Ensemble Learning (0.25 CFU)
Bagging, Randomization, Boosting, Stacking, ECOC.

 

MATERIALE DIDATTICO

Data mining: practical machine learning tools and techniques. —4th ed. / Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J. Pal. —The Morgan Kaufmann, 2017.

 

MODALITÀ DI SVOLGIMENTO DELL'INSEGNAMENTO

Il docente utilizzerà: a) lezioni frontali per circa il 60% delle ore totali, b) esercitazioni per approfondire praticamente aspetti teorici per circa il 35% delle ore totali, c) seminari per circa il 5% delle ore totali.

 

VERIFICA DI APPRENDIMENTO E CRITERI DI VALUTAZIONE

a) Modalità di esame:

L'esame si articola in prova:
 Scritta e orale  
 Solo scritta   
 Solo orale  
 Discussione di elaborato progettuale   
 Altro  

 

In caso di prova scritta i quesiti sono (*):
 A risposta multipla  
 A risposta libera   
 Esercizi numerici  

  

Ciascuno studente dovrà sviluppare durante il corso 3 progetti, che, in caso di valutazione positiva, lo esonerano dallo sviluppo dell’elaborato progettuale finale. In sede di esame, ciascuno studente discuterà uno dei 3 progetti sviluppati durante il corso o l’elaborato progettuale finale, prima della prova orale.

 

b) Modalità di valutazione:

La discussione dell’elaborato progettuale pesa per 1/10, mentre la prova orale per 9/10.

 

Utilizziamo i cookie sul nostro sito Web. Alcuni di essi sono essenziali per il funzionamento del sito, mentre altri ci aiutano a migliorare questo sito e l'esperienza dell'utente (cookie di tracciamento). Puoi decidere tu stesso se consentire o meno i cookie. Ti preghiamo di notare che se li rifiuti, potresti non essere in grado di utilizzare tutte le funzionalità del sito.