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.

Metodi didattici

Lezioni frontali. Esercitazioni in aula.

Prerequisiti

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

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.

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