Docente: G. Mauri

Crediti: 6

Conoscenze: tecniche algoritmiche per la estrazione di conoscenza da dati di varia natura

Abilità: progetto, sviluppo e sperimentazioone di programmi di apprendimento automatico basati su diverse tecniche.

Testi consigliati: Tom Mitchell, Machine learning, McGraw-Hill

Modalità di esame: sviluppo di un progetto e discussione orale

Per ulteriori informazioni sul corso rivolgersi direttamente al docente.

Programma:

• Introduzione al problema dell'apprendimento automatico
• Alberi di decisione: definizioni, spazio delle ipotesi, il problema dell'overfitting
• Reti neurali artificiali: definizioni di base, percettrone e relativi risultati, reti multistrato e retropropagazione
• Apprendimento bayesiano: teorema di Bayes, classificatori bayesiani, algoritmo di Gibbs, reti bayesiane
• Teoria computazionale dell'apprendimento: il modello PAC, la dimensione di Vapnik-Chervonenkis, il modello mistake bound
• Metodi kernel-based: support vector machines
• Reinforcement Learning