Machine Learning F. Stella

Il corso ha natura introduttiva ed è prevalentemente orientato a fornire consapevolezza in merito alle principali tecniche e modelli di apprendimento automatico che vengono resi disponibili nell’ambito del machine learning. Vengono presentati i differenti tipi di apprendimento automatico, vale a dire l’apprendimento supervisionato o predittivo, l’apprendimento non supervisionato o descrittivo ed infine, l’apprendimento per rinforzo. Nell’ambito dell’apprendimento supervisionato vengono presentati e discussi il problema della regressione, vale a dire il problema della previsione di una quantità continua, ed il problema della classificazione, vale a dire la previsione del valore di una quantità non numerica riferita usualmente come classe, Verranno presentati i principali modelli di apprendimento supervisionato; alberi decisionali, modelli Bayesiani, reti di neuroni artificiali, support vector machines e k-nearest neighbor.

Inoltre, verranno presentate le principali misure di prestazione per la valutazione e la comparazione di differenti modelli di regressione e classificazione. Nell’ambito dell’apprendimento non supervisionato verranno introdotti diversi algoritmi di clustering insieme con le misure e le tecniche principali per condurre e validare uno studio di clustering. Inoltre, verranno introdotte e descritte le reti Bayesiane per il ragionamento in condizioni di incertezza.