Programmi

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

IA/0028/EN - MACHINE LEARNING LAB

Anno Accademico 2017/2018

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



Informazioni aggiuntive

CorsoPercorsoCFUDurata(h)
[70/83]  INGEGNERIA ELETTRONICA [83/00 - Ord. 2016]  PERCORSO COMUNE440
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) Pattern classification methods
4) k-nn classifier and decision trees
5) Elements of linear discriminant functions and support vector machines
6) Lab exercises
7) Python Programming language and computer exercises

Metodi Didattici

Il corso è organizzato in:
20 ore di teoria ed esercizi
20 ore di laboratorio

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