Machine Learning

• Dispense distribuite durante il corso

Argomenti del programma: Classification - Basic concepts and evaluation - Decision Trees - Bayes Learning - Linear Models - Support Vector Machines - Kernels - Multiple classifiers - Regression - Linear and logistic regression - Instance based (K-NN) - Perceptron - Neural networks - Deep neural networks (CNN) Unsupervised learning - Clustering (k-Means) - Latent variables (EM) Reinforcement learning - MDP - Q-learning

Argomenti del programma: Introduzione al Machine Learning Linear Regression e Online Gradient Descent Ottimizzazione in ML Model Selection e Regularization Classificazione, Alberi di Decisione e Kernel Methods Statistical Learning, VC dimension, PAC Learning Reti Neurali Clustering e Dimensionality Reduction Introduzione a PyTorch

• Dispense distribuite durante il corso

Argomenti del programma: Classification - Basic concepts and evaluation - Decision Trees - Bayes Learning - Linear Models - Support Vector Machines - Kernels - Multiple classifiers - Regression - Linear and logistic regression - Instance based (K-NN) - Perceptron - Neural networks - Deep neural networks (CNN) Unsupervised learning - Clustering (k-Means) - Latent variables (EM) Reinforcement learning - MDP - Q-learning

• Dispense distribuite durante il corso

Argomenti del programma: Classification - Basic concepts and evaluation - Decision Trees - Bayes Learning - Linear Models - Support Vector Machines - Kernels - Multiple classifiers - Regression - Linear and logistic regression - Instance based (K-NN) - Perceptron - Neural networks - Deep neural networks (CNN) Unsupervised learning - Clustering (k-Means) - Latent variables (EM) Reinforcement learning - MDP - Q-learning

Argomenti del programma: Introduzione al Machine Learning Linear Regression e Online Gradient Descent Ottimizzazione in ML Model Selection e Regularization Classificazione, Alberi di Decisione e Kernel Methods Statistical Learning, VC dimension, PAC Learning Reti Neurali Clustering e Dimensionality Reduction Introduzione a PyTorch

• Slides e coding scripts saranno distribuiti alle lezioni, e si condivideranno riferimenti a materiale online, inclusi articoli e blogs.

Argomenti del programma: Introduzione al Machine Learning e applicazioni alla computer vision e a natural language processing. Fondamenti di elaborazione digitale delle immagini, incluse le convoluzioni, e introduzione all'elaborazione di input testuali e vocali. Regressione lineare, Gradient Descent, Normal Equation. Classificazione con regressione logistica, metodo di Newton, regressione softmax.

Argomenti del programma: Introduzione al Machine Learning Linear Regression e Online Gradient Descent Ottimizzazione in ML Model Selection e Regularization Classificazione, Alberi di Decisione e Kernel Methods Statistical Learning, VC dimension, PAC Learning Reti Neurali Clustering e Dimensionality Reduction Introduzione a PyTorch

• Data la natura altamente dinamica dell'area coperta da questo corso, non è previsto un testo unico di riferimento. Durante il corso verranno indicate e fornite di volta in volta le fonti sotto forma di articoli scientifici e capitoli di…

Argomenti del programma: - Data, features, and embeddings - Data awareness - Modeling prior knowledge - The curse of dimensionality - Task-driven features and invariances - Recap of linear algebra - Vector spaces, bases - Linear maps - Matrix notation and matrix algebra - Tensors and tensor operations - Parametric models and regression - Linear and polynomial regression - Convexity and Lp norms - Underfitting and overfitting - Cross…

• Articoli specifici forniti dal Docente su argomenti avanzati.

Argomenti del programma: rgomenti principali: Parte 1: Matematica e statistica avanzata, contestualizzati per il Machine Learning (0.5 CFU) 1. Spazi metrici: blocchi base per il moderno ML; 2. Programmazione non lineare per ottimizzazione non vincolata e vincolata: teoria e algoritmi; 3. Variabili e processi stocastici, teoria della stima, teoria dell’informazione: Contestualizzazione per metodi ML; 4.

• Data la natura altamente dinamica dell'area coperta da questo corso, non è previsto un testo unico di riferimento. Durante il corso verranno indicate e fornite di volta in volta le fonti sotto forma di articoli scientifici e capitoli di…

Argomenti del programma: - Data, features, and embeddings - Data awareness - Modeling prior knowledge - The curse of dimensionality - Task-driven features and invariances - Recap of linear algebra - Vector spaces, bases - Linear maps - Matrix notation and matrix algebra - Tensors and tensor operations - Parametric models and regression - Linear and polynomial regression - Convexity and Lp norms - Underfitting and overfitting - Cross…