Obiettivi Formativi

Il corso si prefigge di illustrate le tecniche di analisi avanzate dei dati

Metodi didattici

Lezioni frontali

Prerequisiti

Conoscenza di un linguaggio di Programmazione. Conoscenze di base di Analisi Matematica, Probabilità e Statistica, Algebra Lineare

Verifiche dell'apprendimento

Esame orale

Programma del Corso

I. Introduzione al Data Analytics e al Machine Learning 1. Il concetto di apprendimento supervisionato e non-supervisionato. 2. Il primo esempio di classificatore: k-Nearest neighbor II. Classificazione mediante modelli generativi 1. La distribuzione gaussiana univariata e multivariata 2. Approcci generativi per la classificazione III. Modelli di predizione lineare I 1. Regressione Lineare 2. Regularized Linear Regression: Ridge Regression 3. Regularized Linear Regression: Lasso Regression 4. Logistic Regression IV Modelli di Predizione Lineare II 1. Perceptron Algorithm 2. Elementi di ottimizzazione vincolata e non vincolata 3. Ottimizzazione di funzioni convesse e la teoria della dualità 4. Support Vector Machines: hard-Margin SVM 5. Support Vector Machines: Soft-Margin SVM 6. Estensione alla multiclass classification. V. Altri metodi di classificazione 1. Kernel methods e Kernel Trick 2. Kernel Perceptron 3. Kernel SVM 4. Classification and Regression Trees 5. Combinazione di weak classifiers: il Boosting 6. Random forests V. Metodi di Apprendimento non supervisionato 1. Clustering 2. Metodi di riduzione della dimensionalità: PCA e SVD VI. Introduzione al Deep learning 1. Autoencoders 2. Rappresentazioni distribuite 3. Feedforward neural nets