Inizio della pagina -
Logo DISCO
|
Visita la Versione ad elevata leggibilità
|
Vai al Contenuto della pagina
|
Vai alla Fine dei contenuti
|
Vai al Menu Principale
|
Vai alla Barra di navigazione (sei in)
|
Vai al Menu di navigazione (albero)
|
Vai alla Lista dei comandi
|
Vai alla Lista degli approfondimenti
|
Vai al Menu inferiore
|
Logo Ateneo
   
Per gli Studenti
Soft computing

Docente: Vanneschi

Crediti: 4 cfu

CONOSCENZE
Dopo aver frequentato questo corso, gli studenti avranno acquisito conoscenze approfondite sui principali algoritmi di Machine Learning, come Ricerca Locale, Hill Climbing, Simulated Annealing, Tabu Search, Algoritmi Evolutivi e Reti Neurali. Ne conosceranno approfonditamente il funzionamento, le dinamiche e le principali proprietà teoriche. Inoltre sapranno impostare, formalizzare ed affrontare problemi complessi di ottimizzazione, classificazione e clustering. Infine, avranno acquisito una conoscenza superficiale dei principali concetti che stanno alla base dei Sistemi Fuzzy.

CAPACITA’
Dopo aver frequentato questo corso gli studenti sapranno implementare in modo efficiente e veloce i principali algoritmi di Machine Learning, come Ricerca Locale, Hill Climbing, Simulated Annealing, Tabu Search, Algoritmi Evolutivi e Reti Neurali e sapranno usarli per risolvere problemi complessi, avendo appreso la gestione ed il settaggio di alcuni parametri fondamentali e molte delle varianti che possono renderli più efficienti in alcuni domini applicativi. Avranno inoltre acquisito la capacità di impostare semplici Sistemi Fuzzy e verificarne il comportamento.

PROGRAMMA
Il corso inizia introducendo il concetto di problema complesso, definendo e motivando Machine Learning e Soft Computing ed accennando ad alcuni dei loro più significativi domini applicativi. Viene poi definito il concetto di problema di ottimizzazione e vengono introdotti i primi algoritmi meta-euristici: Ricerca Locale, Hill Climbing, Simulated Annealing, Tabu Search. Il corso prosegue con una trattazione approfondita di alcuni dei più noti Algoritmi Evolutivi: Algoritmi Genetici, Programmazione Genetica, Particle Swarm Optimization. Successivamente viene approfondito il concetto di Apprendimento Automatico, introducendo i concetti di classificazione e clusterizzazione. Vengono poi trattati in modo approfondito i più noti paradigmi di Reti Neurali. Il corso termina con la presentazione di alcuni semplici Sistemi Fuzzy e con alcuni cenni ai classificatori ad apprendimento Bayesiano.

 

Approfondimenti

Google Translate
Translate to English Translate to French Translate to German Translate to Spanish Translate to Chinese Translate to Portuguese Translate to Arabic
Translate to Albanian Translate to Bulgarian Translate to Croatian Translate to Czech Translate to Danish Translate to Dutch Translate to Finnish Translate to Greek Translate to Hindi
Translate to Hungarian Translate to Irish Translate to Japanese Translate to Korean Translate to Norwegian Translate to Polish Translate to Romanian Translate to Russian Translate to Serbian
Translate to Slovenian Translate to Swedish Translate to Thai Translate to Turkish

(C) Copyright 2016 - Dipartimento Informatica Sistemistica e Comunicazione - Viale Sarca, 336
20126 Milano - Edificio U14
redazioneweb@disco.unimib.it - ultimo aggiornamento di questa pagina 28/03/2011