Calcolo differenziale e matriciale. Elementi di statistica e di calcolo delle probabilità.

Introduzione ai metodi matematici per il machine learning ed ai relativi algoritmi, anche mediante l’uso di un opportuno linguaggio di programmazione.

Al termine del corso lo studente/la studentessa è in grado di riconoscere i principali metodi e modelli di machine learnning (ML), valutandone criticamente punti di forza e di debolezza. Inoltre, egli/ella è in grado di estrarre informazioni da insiemi di dati di grande dimensione a fini descrittivi e previsivi.

 

Conoscenza e capacità di comprensione (knowledge and understanding)

Comprensione della teoria e della metodologia e della teoria dei principali algoritmi di ML in ambito supervisionato.

Capacità di cogliere differenze e similitudini tra varie tecniche di ML, illustrandone i principali aspetti computazionali.

 

Capacità di applicare conoscenza e comprensione (applying knowledge and understanding)

Capacità di usare modelli di ML appropriati per estrarre informazione da un insieme di dati (specie se a grandi dimensioni) e formulare previsioni.

Capacità di scrivere i principali algoritmi di ML in un opportuno linguaggio di programmazione

 

Autonomia di giudizio (making judgements)

Valutare criticamente i risultati ottenuti dall’applicazione di un particolare algoritmo di ML.

 

Abilità comunicative (communication skills)

Presentare in modo preciso i risultati di un’analisi di dati mediante metodi di ML.

 

Capacità di apprendimento (learning skills)

Individuare gli strumenti più adatti per analizzare dati, realizzando in modo autonomo la relativa elaborazione computazionale.

Lezioni frontali di approfondimenti teorici ed esercitazioni pratiche al calcolatore.

La prova d’esame è divisa in di due parti:

• prova orale con quesiti di carattere teorico ed esercizi di applicazione dei modelli studiati (50%);
• lavoro progettuale per il calcolo e la risoluzione di problemi computazionali con apposito linguaggio di programmazione (50%).

In relazione alla prova orale è valutata correttezza e chiarezza nelle risposte, nonché la capacità di usare adeguatamente gli strumenti matematici presentati ed individuarne le possibili limitazioni. In relazione al lavoro progettuale, è valutata l’originalità, la correttezza delle procedure e la capacità di interpretare correttamente i risultati ottenuti, nonché la capacità di esporre criticamente i risultati ottenuti.

Non sono previste differenze nelle modalità d’esame fra studenti frequentanti e non frequentanti.

 

L’Università del Salento “promuove e garantisce l’inclusione e la partecipazione effettive degli studenti con disabilità” (art. 10 dello Statuto). Lo studente/la studentessa che intende usufruire di un intervento individualizzato all'esame deve contattare l'Ufficio Inclusione dell'Università del Salento.

Introduzione al Machine Learning. Rischio empirico e rischio bayesiano. Decomposizione del rischio. Errore di generalizzazione. Validazione incrociata.

Richiami sul modello di regressione lineare. Selezione del modello di regressione. Regressione Ridge e Lasso.

Classificazione. Classificatori generativi. Regressione logistica.

Metodi basati su medie locali. L’algoritmo KNN. Alberi decisionali.

Introduzione alle reti neurali.

Appunti delle lezioni (a cura del docente) saranno distribuiti nella pagina dell’insegnamento su elearning.unisalento.it.

 

James, G., Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning with Applications in Python. Springer, 2023. Seconda edizione. Link: https://www.statlearning.com/

 

Letture consigliate (ad accesso libero e aperto)

Bach, F.: Learning from First Principles. Link: https://www.di.ens.fr/%7Efbach/

Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning. Springer, 2009.

Link: https://hastie.su.domains/ElemStatLearn/

Murphy, K. P.: Probabilistic Machine Learning: An Introduction. MIT Press, 2022. Link: https://probml.github.io/pml-book/book1.html