Insegnamenti

 
Seleziona l'Anno Accademico:    2012/20132013/20142014/20152015/20162016/20172017/2018

IA/0013/EN - MACHINE LEARNING

Anno Accademico 2017/2018

Docente
FABIO ROLI (Tit.)
Periodo
Secondo Semestre 
Modalità d'Erogazione
Convenzionale 
Lingua Insegnamento
INGLESE 



Informazioni aggiuntive

CorsoPercorsoCFUDurata(h)
[70/81]  INGEGNERIA DELLE TELECOMUNICAZIONI [81/00 - Ord. 2016]  INGEGNERIA DELLE TELECOMUNICAZIONI660
Obiettivi

Il corso sarà interamente svolto in lingua inglese.

II corso ha lo scopo di fornire all'allievo la conoscenza dei principali metodi dev'apprendimento automatico ("machine learning") e dei suoi settori di applicazione al riconoscimento di forme. Vengono illustrati i principali metodi ed algoritmi dell'approccio statistico al riconoscimento di forme, e le metodiche di base per la progettazione e valutazione delle prestazioni di un sistema di "machine learning".
Lo studente conoscerà i principali metodi ed algoritmi dell’approccio statistico al riconoscimento di forme e le metodiche di base per la progettazione e la valutazione delle loro prestazioni.

Conoscenza e capacità di comprensione applicate:
Lo studente sarà in grado di risolvere semplici esercizi numerici sugli algoritmi principali dell'approccio statistico al machine learning, e implementare e sperimentare su calcolatore algoritmi di media complessità.

Autonomia di giudizio:
Lo studente sarà in grado di analizzare e progettare sistemi per la soluzione di semplici problemi, tenendo in conto di criteri di quali la complessità computazionale e l’accuratezza del sistema.

Abilità comunicative:
Lo studente acquisirà la capacità di comunicare ed esprimere problematiche inerenti ai sistemi di riconoscimento di forme e di apprendimento automatico. Sarà in grado di confrontarsi su tematiche oggetto del corso, di evidenziare problemi e di proporre soluzioni.

Prerequisiti

Conoscenze base di analisi matematica e teoria della probabilità.

Contenuti

Contenuti del corso (che sarà svolto in lingua inglese)
1) Introduction
2) Elements of Bayesian decision theory
3) Introduction to pattern classification methods
4) Elements of parametric methods for learning-based pattern classification
5) Elements of non parametric methods: k-nn classifier and decision trees
6) Elements of linear discriminant functions and support vector machines
7) Elements of performance evaluation
8) Elements of unsupervised learning
9) Ensemble learning
10) Adversarial machine learning
11) In-class exercises
12) Python Programming language and computer exercises

Metodi Didattici

Il corso è organizzato in:
30 ore di teoria
10 ore di esercizi numerici alla lavagna
16 ore di laboratorio
4 ore di seminari e ripasso

Verifica dell'apprendimento

Una prova scritta e una prova di laboratorio, sostenibili durante il corso come prove intermedie o durante i normali appelli d'esame. La prova scritta vale 20/30 e la prova di laboratorio vale 10/30.

Testi

Pattern Classification (2^ edizione), R. O. Duda, P. E. Hart, e D. G. Stork, John Wiley & Sons, 2000

Altre Informazioni

Tutto il materiale è disponibile sul sito web del corso:
https://pralab.diee.unica.it/it/MachineLearning

credits unica.it | accessibilità Università degli Studi di Cagliari
C.F.: 80019600925 - P.I.: 00443370929
note legali | privacy

Nascondi la toolbar