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