Offerta Didattica
ENGINEERING AND COMPUTER SCIENCE
ADVANCED TECHNIQUES OF DATA ANALYSIS
Classe di corso: LM-32, 18 - Classe delle lauree magistrali in Ingegneria informatica
AA: 2020/2021
Sedi: MESSINA
SSD | TAF | tipologia | frequenza | moduli |
---|---|---|---|---|
ING-INF/05 | Caratterizzante | Libera | Libera | No |
CFU | CFU LEZ | CFU LAB | CFU ESE | ORE | ORE LEZ | ORE LAB | ORE ESE |
---|---|---|---|---|---|---|---|
6 | 4 | 0 | 2 | 48 | 24 | 0 | 24 |
LegendaCFU: n. crediti dell’insegnamento CFU LEZ: n. cfu di lezione in aula CFU LAB: n. cfu di laboratorio CFU ESE: n. cfu di esercitazione FREQUENZA:Libera/Obbligatoria MODULI:SI - L'insegnamento prevede la suddivisione in moduli, NO - non sono previsti moduli ORE: n. ore programmate ORE LEZ: n. ore programmate di lezione in aula ORE LAB: n. ore programmate di laboratorio ORE ESE: n. ore programmate di esercitazione SSD:sigla del settore scientifico disciplinare dell’insegnamento TAF:sigla della tipologia di attività formativa TIPOLOGIA:LEZ - lezioni frontali, ESE - esercitazioni, LAB - laboratorio
Obiettivi Formativi
OF1 (Conoscenza e comprensione) - Fornire conoscenza e comprensione dei concetti di base dell’analisi dei dati e dell’apprendimento automatico evidenziando gli aspetti dell’apprendimento supervisionato e non supervisionato mediante lo studio delle basi teoriche e la loro applicazione a problemi reali. OF2 (Capacità di applicare conoscenza e comprensione) - Fornire capacità di applicare conoscenza e comprensione mediante una visione critica delle moderne tecniche di analisi dei dati e del loro utilizzo in un sempre crescente numero di ambiti applicativi e fornire altresì le capacità pratiche per l’utilizzo dei principali ambienti di sviluppo di algoritmi di machine learning. OF3 (Autonomia di giudizio) - Sviluppare l’autonomia nella scelta delle migliori strategie da utilizzare nel progetto in esame. OF4 (Abilità comunicative) - Sviluppare la capacità di esprimersi utilizzando un linguaggio adeguato agli standard del settore e di aggiornarsi sull’evoluzione tecnologica nell’ambito del machine learning. OF5 (Capacità di apprendimento) – Sviluppare la capacità di comprendere gli aspetti rilevanti di un problema e di progettare e implementare algoritmi di machine learning.Learning Goals
OF1 (Knowledge and understanding) - Provide students with knowledge and understanding of the basic concepts of data analysis and machine learning by highlighting the aspects of supervised and unsupervised learning through the study of theoretical bases and their application to real problems. OF2 (Ability to apply knowledge and understanding) - Provide skills to apply knowledge and understanding through a critical vision of modern data analysis techniques and their use in an ever-growing number of application areas and also provide practical skills for the use of the main development environments of machine learning algorithms OF3 (Autonomy of judgment) - Develop autonomy in choosing the best strategies to use in the project under exam. OF4 (Communication skills) - Develop the ability to talk using a language appropriate to industry standards and the ability to update on technological evolutions in the field of machine learning. OF5 (Learning skills) â Develop the ability to understand the relevant aspects of a problem and to design and implement machine learning algorithms.Metodi didattici
Lezioni frontali. Esercitazioni in aula.Teaching Methods
Frontal lectures and class excercises.Prerequisiti
Conoscenza della programmazione in PythonPrerequisites
Fundamentals of programming in PythonVerifiche dell'apprendimento
Sono richieste conoscenze di statistica, algebra lineare, programmazione Python.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. Reinforcement LearningCourse 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. Reinforcement LearningTesti di riferimento: Trevor Hastie, Robert Tibshirani, and Jerome Friedman, The elements of statistical learning (2nd edition).
Esami: Elenco degli appelli
Elenco delle unità didattiche costituenti l'insegnamento
Docente: DARIO BRUNEO
Orario di Ricevimento - DARIO BRUNEO
Giorno | Ora inizio | Ora fine | Luogo |
---|---|---|---|
Martedì | 15:00 | 17:00 | Dipartimento di Ingegneria - 7° piano - blocco B |
Note: