Obiettivi Formativi

Il corso di Advanced Techniques of Data Analysis si propone di fornire agli allievi i concetti di base dellanalisi dei dati e dellapprendimento automatico. Verranno trattati gli aspetti dellapprendimento supervisionato e non supervisionato mediante lo studio delle basi teoriche e la loro applicazione a problemi reali. Il corso intende fornire anche agli studenti le capacità pratiche per lutilizzo dei principali ambienti di sviluppo di algoritmi di machine learning quali Keras e TensorFlow.

Learning Goals

The Advanced Techniques of Data Analysis course aims to provide students with the basic concepts of data analysis and machine learning. The aspects of supervised and unsupervised learning will be covered by studying the theoretical notions and their application to real problems. The course also aims to provide students with practical skills for using the main development environments of machine learning algorithms such as Keras and TensorFlow.

Metodi didattici

Lezioni frontali. Esercitazioni in aula.

Teaching Methods

Lectures. Classroom exercises

Prerequisiti

Sono richieste conoscenze di statistica, algebra lineare, programmazione Python.

Prerequisites

Knowledge of statistics, linear algebra, Python programming are required.

Verifiche dell'apprendimento

Il corso prevede una prova orale atta a valutare il livello di apprendimento raggiunto. Inoltre, è richiesta la risoluzione di un problema reale (sotto forma di tesina) da presentare e discutere il giorno della prova orale. L'argomento della tesina dovrà essere concordato con il docente.

Assessment

The course includes an oral test designed to assess the level of learning achieved. Furthermore, the resolution of a real problem (in the form of a short dissertation) is required to be presented and discussed on the day of the oral test (the topic must be agreed with the teacher).

Programma del Corso

Introduzione al Data Analytics e al Machine Learning. Il concetto di apprendimento supervisionato e non-supervisionato. Il primo esempio di classificatore: k-Nearest neighbor. Classificazione mediante modelli generativi. La distribuzione gaussiana univariata e multivariata. Approcci generativi per la classificazione. Regressione Lineare. Regularized Linear Regression: Ridge Regression. Regularized Linear Regression: Lasso Regression. Logistic Regression. Learning curves. Overfitting. Neural Networks. Support Vector Machines. Random forests. Metodi di Apprendimento non supervisionato. Clustering. Metodi di riduzione della dimensionalità: PCA e SVD. Introduzione al Deep learning. Deep Neural Networks. Reifnrocement Learning

Course Syllabus

Introduction to Data Analytics and Machine Learning. The concept of supervised and non-supervised learning. The first example of a classifier: k-Nearest neighbor. Classification using generative models. The univariate and multivariate Gaussian distribution. Generative approaches to classification. Linear Regression. Regularized Linear Regression: Ridge Regression. Regularized Linear Regression: Lasso Regression. Logistic Regression. Learning curves. Overfitting. Neural Networks. Support Vector Machines. Random forests. Unsupervised learning methods. Clustering. Dimensionality reduction methods: PCA and SVD. Introduction to Deep Learning. Deep Neural Networks. Reifnrocement Learning