Il Corso
Inizio: 2/9/2020, Fine: 25/12/2020
L'enorme quantità di dati digitalmente disponibili in domini quali; salute, biologia, finanza, sicurezza, commercio elettronico, e reti sociali, per citarne solo alcuni, offre la straordinaria opportunità di far apprendere ai nostri computer come svolgere in modo ottimale compiti di nostro interesse, financo a raggiungere livelli di prestazione sovraumani come quanto accaduto per il gioco del Go, dove il campione Sud Coreano Lee Sedol si è recentemente ritirato dalle competizioni dopo esser stato pesantemente sconfitto dall'algoritmo AlphaGo.
Il Machine Learning combina informatica, matematica, e statistica, con l'obiettivo di appredenre dai dati.
Seguendo Tom M. Mitchell, diremo che un programma apprende dall'esperienza E con riferimento ad alcune classi di compiti T e con misurazione della performance P, se le sue performance nel compito T, come misurato da P, migliorano con l'esperienza E.
Il corso ha carattere introduttivo e presenta le tre tipologie di machine learning; apprendimento supervisionato, apprendimento non supervisionato e apprendimento per rinforzo.
Dedicheremo lezioni specifiche agli alberi di decisione, alle reti di neuroni artificiali, oggi in grande ascesa sotto il nome di Deep Learning.
Inoltre, verranno presentati diversi algoritmi di clustering, ed il paradigma delle reti Bayesiane, che collega tra loro Machine Learning ed Intelligenza Artificiale.
Il corso consiste di 8 lezioni dove le cartelle dedicate ad ogni argomento sono arricchite tramite figure e tabelle che costituiscono parte integrante del corso medesimo.
Infine, oltre 250 quiz vengono resi disponibili al fine di offrire allo studente uno strumento per valutare il proprio livello di comprensione.
Prof. Fabio Stella
Professore Associato di Ricerca Operativa presso il Dipartimento di Informatica, Sistemistica e Comunicazione dell’Università di Milano-Bicocca.
Docente del corso “Probabilità e Statistica per l’Informatica” del corso di Laurea Triennale in Informatica, del Corso “Data e Text Mining” del Corso di Laurea Magistrale in Informatica e del corso “Machine Learning” del Corso di Laurea Magistrale in Data Science.
Autore del MOOC pathway in lingua inglese denominato “Introduction to Data Mining” erogato da aprile 2016 sulla piattaforma EduOpen. Il pathway è composto di tre corsi; “Introduction to Data Mining - Classification”, “Introduction to Data Mining – Clustering and Association” e “Text Mining”, seguiti da oltre 2,500 studenti.
Dal 2015 fa parte del comitato di programma di prestigiose conferenze internazionali di Machine Learning ed Artificial Intelligence; UAI, ICML, NIPS, IJCAI, e dal 2019 è section editor della sezione “Systems Modeling” della rivista Current Genomics.
Le principali aree di ricerca sono legate alle reti Bayesiane, ai modelli generativi per il Text Mining, ed infine, agli algoritmi on-line per portafogli di investimento.
Dal 1992 ad oggi ha supervisionato la tesi di Laurea di circa 300 studenti ed è stato relatore della tesi di Dottorato di oltre dieci studenti.
