MACHINE LEARNING

Teaching in italian
MACHINE LEARNING
Teaching
Subject area
SECS-S/06
Reference degree course
MATHEMATICS
Course type
Master's Degree
Credits
6.0
Teaching hours
Frontal Hours: 42.0
Academic year
2023/2024
Year taught
2023/2024
Course year
1
Language
ITALIAN
Curriculum
MATEMATICA PER L'INTELLIGENZA ARTIFICIALE
Reference professor for teaching
DURANTE FABRIZIO
Location
Lecce

Teaching description

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

Introduzione ai metodi matematici per il machine learning con presentazione di metodi e algoritmi di elaborazioni automatiche dei dati mediante il software R.

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 dovrebbe essere in grado di estrarre informazioni da insiemi di dati a grande dimensioni 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.

Comprensione degli output prodotti dall’applicazione dei principali algoritmi di ML all’analisi di dati.

 

Autonomia di giudizio (making judgements)

Valutare criticamente i risultati ottenuti dall’applicazione di un particolare algortimo 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 (60%)
  • Lavoro progettuale per il calcolo e la risoluzione di problemi computazionali su R (40%)

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.

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 disabile e/o con DSA, che intende usufruire di un intervento individualizzato per lo svolgimento della prova d’esame deve contattare l'ufficio Integrazione Disabili dell'Università del Salento.

Si veda sito del Dipartimento.

Materiale didattico e tutte le informazioni sull’insegnamento (incluso orario di ricevimento) saranno disponibili sulla pagina web dell’insegnamento su elearning.unisalento.it.

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

Modelli 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.

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

 

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/

James, G., Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning with Applications in R. Springer, 2022. Seconda edizione. Link: https://www.statlearning.com/

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

Semester
Second Semester (dal 26/02/2024 al 07/06/2024)

Exam type
Compulsory

Type of assessment
Oral - Final grade

Course timetable
https://easyroom.unisalento.it/Orario

Download teaching card (Apre una nuova finestra)(Apre una nuova finestra)