Fondamenti dell’Apprendimento Automatico

Obiettivo del corso è quello di fornire le conoscenze dei concetti e strumenti più importanti nello studio e applicazione dell’apprendimento automatico:

• conoscenza e comprensione dei fondamenti matematici e statistici dell’apprendimento automatico contemporaneo;
• conoscenza e comprensione dei modelli basilari dei modelli teorici per la regressione, per la classificazione supervisionato, e per la stima di densità probabilistiche;
• conoscenza e comprensione delle tecniche di apprendimento non supervisionato;
• conoscenza e comprensione dei fondamenti teorici delle reti neurali per la classificazione e per la regressione.

A fine corso lo studente saprà applicare queste conoscenze all’analisi e al design di soluzione di problemi real-world, applicando i best practices e strumenti avanzati per arrivare a soluzione allo stato dell’arte.

Principali argomenti trattati: teoria della probabilità e statistica per l’apprendimento automatico, distribuzioni di probabilità, interpretazioni Bayesiane versus frequenziali, modelli lineari per la regressione, modelli lineari per la classificazione, la decomposizione bias-varianza, overfitting e underfitting, regolarizzazione dei modelli, modelli generativi probabilistici, modelli discriminativi probabilistici, Stima di Massima Verosimiglianza (MLE), inferenza Massimo a Posteriori (MAP), macchine a vettori di supporto (SVM), alberi decisionali, metodi di ensemble, il percettrone, reti neurali, discesa del gradiente stocastico (SGD), percettrone multistrato (MLP), strumenti e librerie per l’apprendimento automatico.

Due categorie fondamentali di prerequisiti per partecipare al corso:

• matematica: gli studenti dovrebbero essere familiari con e in grado di applicare concetti e tecniche di analisi multivariata e algebra lineare;
• programmazione: gli studenti dovrebbero essere fluenti in almeno un linguaggio di programmazione di alto livello (ad esempio, Python) e dovrebbero essere familiari con i concetti di programmazione numerica (ad esempio, con Numpy e Scikit-learn).

Ci sarà una revisione minima di queste due aree, con indicazioni su materiali che aiuteranno ad acclimatarsi, quindi non preoccupatevi se non siete ancora esperti di Python, analisi e algebra lineare.

prof. Andrew D. Bagdanov

Corso online

Il corso può essere erogato su richiesta in modo flessibile, con una preferenza per i mesi gennaio-febbraio o giugno-luglio.