Page begin -
Logo DISCO
|
Go to the Highly accessible area
|
Go to the Content page
|
Go to the End of content
|
Go to the Main menu
|
Go to the Navigation Bar (location)
|
Go to the Navigation menu (tree)
|
Go to the Commands list
|
Go to the Further readings
|
Go to the Bottom Menu
|
Logo Ateneo
   
Enrolled
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.

 

Further readings
(C) Copyright 2016 - Dipartimento Informatica Sistemistica e Comunicazione - Viale Sarca, 336
20126 Milano - Edificio U14
redazioneweb@disco.unimib.it - last update of this page 28/03/2011