Obiettivi Formativi

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. 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. Sviluppare l’autonomia nella scelta delle migliori strategie da utilizzare nel progetto in esame. Sviluppare la capacità di esprimersi utilizzando un linguaggio adeguato agli standard del settore e di aggiornarsi sull’evoluzione tecnologica nell’ambito del machine learning. Sviluppare la capacità di comprendere gli aspetti rilevanti di un problema e di progettare e implementare algoritmi di machine learning.

Learning Goals

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. 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 Develop autonomy in choosing the best strategies to use in the project under exam. 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. Develop the ability to understand the relevant aspects of a problem and to design and implement machine learning algorithms.

Metodi didattici

Il corso, al fine di raggiungere gli obiettivi formativi previsti, si svolge prevalentemente attraverso lezioni frontali. Sono inoltre previste esercitazioni in aula ed esercitazioni guidate svolte dagli studenti con lo scopo di stimolare l’approccio ai problemi con autonomia e senso critico. Tutte le attività sono svolte con supporto di lavagna digitale (tablet) e computer per la parte di programmazione

Teaching Methods

The course, in order to achieve the expected objectives, mainly takes place through lectures. There are also practical based lessons in the classroom and guided exercises with teacher support with the aim of stimulating the approach to problem solving with autonomy and a critical thinking. All activities are carried out with the support of a digital board (tablet) and a computer for the programming activities.

Prerequisiti

Conoscenze di statistica (concetti di probabilità, momenti statistici, variabili casuali) Conoscenze di algebra lineare (operazioni matriciali)

Prerequisites

Knowledge in statistics (concepts of probability, statistic moments, random variables) Knowledge in linear algebra (matrix operations)

Verifiche dell'apprendimento

L'esame consiste nella presentazione di un progetto. Il progetto da elaborare viene concordato con il docente durante la seconda parte del corso e consiste nella scelta di un problema e di un relativo dataset e nella successiva applicazione di alcune delle tecniche apprese durante il corso per la risoluzione del problema. Durante la presentazione del progetto saranno chiesti eventuali approfondimenti sugli argomenti trattati durante il corso (definizioni, esempi rilevanti, applicazioni, collegamenti tra i vari argomenti.) con il duplice scopo di verificare il livello di conoscenza e di comprensione dei contenuti del corso e di valutare l'autonomia di giudizio, la capacità di apprendimento, l'abilità comunicativa e la proprietà di linguaggio scientifico e indi valutare le facoltà logico-deduttive acquisite dallo studente. La valutazione è fatta in trentesimi.

Assessment

The exam consists in the presentation of a project. The project to be developed is agreed with the teacher during the second part of the course and consists in the choice of a problem and a related dataset and in the subsequent application of some of the techniques learned during the course for the resolution of the problem. During the presentation of the project, any further information on the topics covered during the course will be asked (definitions, relevant examples, applications, links between the various topics ...) with the dual purpose of verifying the level of knowledge and understanding of the course contents and of evaluating the autonomy of judgment, the ability to learn, the communicative ability and the property of scientific language and then evaluate the logical-deductive faculties acquired by the student. The evaluation is made out of thirty.

Programma del Corso

-INTRODUZIONE ALL’ANALISI DEI DATI: Raccolta ed immagazzinamento dei dati. Big Data. Il machine learning. Il concetto di data set. Exploratory Data Analysis. Apprendimento supervisionato e non-supervisionato. Interpretazione statistica dei dati. Panoramica dei principali tool per l’analisi dei dati. -LA REGRESSIONE: La regressione lineare. Regressione univariata. Regressione multivariata. Funzione di costo. Training e testing. Regressione come problema di ottimizzazione. L’algoritmo Gradient Descent. Normal equation. Regressione polinomiale. -LA CLASSIFICAZIONE: Classificazione binaria e multi-classe. Logistic regression. Funzione di costo. Decision boundary. Esempi di Classificazione. MNIST dataset. IRIS dataset. Accuratezza. Precision, Recall. Indice F1. Classificazione Softmax. -ANALISI DEGLI ALGORITMI: Capacità di un modello. Underfitting e Overfitting. Learning curves. Regolarizzazione. Scelta dei parametri di un modello. Cross validation. -ALGORITMI SUPERVISIONATI: K-nearest neighbors. Alberi decisionali. Random forest. -ALGORITMI NON-SUPERVISIONATI: Clustering. K-means. -RIDUZIONE DELLA DIMENSIONALITÀ: Visualizzazione. Compressione. L’algoritmo PCA. -LE RETI NEURALI: Il modello di neurone. Il Percettrone. Percettrone multi-strato. L’algoritmo di Back Propagation. Funzioni di attivazione. Regressione e classificazione con le reti neurali. - INTRODUZIONE AL DEEP LEARNING: Il concetto di Deep Learning. Le reti neurali convoluzionali. Le reti neurali ricorrenti.

Course Syllabus

-INTRODUCTION TO DATA ANLYSIS: Data collection and storing. Big Data. The machine learning. The data-set concept. Exploratory Data Analysis. Supervised learning. Unsupervised learning. A statistic approach to data. An overview of the main data analysis tools. -REGRESSION: Linear regression. Univariate regression. Multivariate regression. Cost function. Training and testing. Optimization problems. The Gradient descent algorithm. Normal equation. Polynomial regression. -CLASSIFICATION: Bynary and multi-class classifications. Logistic regression. Cost function. Decision boundary. Classification examples. MNIST dataset. IRIS dataset. Accuracy. Precision, Recall. F1 Score. Softmax Classification. -ALGORITHM ANALYSIS: Model capacity. Underfitting and Overfitting. Learning curves. Regularization. Model tuning. Cross validation. -SUPERVISED ALGORITHMS: K-nearest neighbors. Decision trees. Random forests. -UNSUPERVISED ALGORITHMS: Clustering. K-means. -DIMENSIONALITY REDUCTION: Visualization. Compression. The PCA algorithm. -NEURAL NETWORKS: The neuron model. The Perceptron. Multi-layer perceptron. The Back Propagation algorithm. Activation functions. Regression and Classification with Neural Networks. -DEEP LEARNING INTRODUCTION: The deep learning concept. Convolutional neural networks. Recurrent neural networks.