Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
PHYSICS OF DATA
Insegnamento
MACHINE LEARNING
SCP8082660, A.A. 2019/20

Informazioni valide per gli studenti immatricolati nell'A.A. 2019/20

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
PHYSICS OF DATA
SC2443, ordinamento 2018/19, A.A. 2019/20
N0
porta questa
pagina con te
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese MACHINE LEARNING
Sito della struttura didattica http://physicsofdata.scienze.unipd.it/2019/laurea_magistrale
Dipartimento di riferimento Dipartimento di Fisica e Astronomia "Galileo Galilei"
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile PIETRO ZANUTTIGH ING-INF/03

Mutuazioni
Codice Insegnamento Responsabile Corso di studio
INP9087775 MACHINE LEARNING PIETRO ZANUTTIGH IN2371
INP9087775 MACHINE LEARNING PIETRO ZANUTTIGH IN2371
INP9087775 MACHINE LEARNING PIETRO ZANUTTIGH IN2371
INP9087775 MACHINE LEARNING PIETRO ZANUTTIGH IN2371
INP9087775 MACHINE LEARNING PIETRO ZANUTTIGH IN2371

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
AFFINE/INTEGRATIVA Attività formative affini o integrative ING-INF/03 6.0

Organizzazione dell'insegnamento
Periodo di erogazione Primo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
LEZIONE 6.0 48 102.0

Calendario
Inizio attività didattiche 30/09/2019
Fine attività didattiche 18/01/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2018

Syllabus
Prerequisiti: Conoscenze di base di Analisi Matematica, Probabilità, Statistica, Algebra Lineare, Algoritmi e elementi di base di Programmazione.
Conoscenze e abilita' da acquisire: Lo scopo del corso è di fornire i principi fondamentali del problema di apprendimento e di introdurre i principali algoritmi per la regressione e la classificazione. Il corso includerà esercitazioni in laboratorio.

Alla fine del corso lo studente avrà le seguenti conoscenze ed abilità:
1. Conoscerà i principi fondamentali e le principali metodologie dell'apprendimento automatico.
2. Sarà in grado di affrontare problemi di apprendimento supervisionato e non supervisionato.
3. Saprà applicare queste metodologie a diversi scenari e problemi.
4. Sarà in grado di selezionare la metodologia più adatta alla soluzione di uno specifico problema di apprendimento sulla base delle caratteristiche del problema e dei dati a disposizione.
5. Avrà le competenze per utilizzare e adattare sistemi software in grado di risolvere i problemi considerati.
6. Saranno fornite anche competenze relative ad argomenti più avanzati tra cui i metodi di deep learning.
Modalita' di esame: La valutazione delle conoscenze e delle abilità acquisite viene effettuata mediante due contributi:

1. Una prova scritta a libro chiuso in cui lo studente deve risolvere dei problemi, al fine di verificare l'acquisizione dei principali ingredienti e strumenti del problema di apprendimento, la capacità analitica nel loro utilizzo e la capacita di interpretare i risultati tipici in un problema pratico di apprendimento.

2. Esercitazioni al calcolatore (facoltative) rivolte all’acquisizione delle competenze, anche pratiche, per l’utilizzo degli strumenti di machine learning. Queste esercitazioni, da svolgere a casa, consentono di verificare la capacità di mettere in pratica i concetti teorici acquisiti. Lo studente deve produrre una breve relazione che descriva le metodologie utilizzate per risolvere il progetto assegnato assieme ai risultati ottenuti.

Il voto finale sarà basato sulla prova scritta con un bonus fino ad un massimo di 3 punti per gli studenti che svolgeranno le esercitazioni di laboratorio.
Criteri di valutazione: La valutazione con cui verrà effettuata la verifica delle conoscenze e delle abilità acquisite considera:
1. La completezza delle conoscenze acquisite per quanto riguarda gli strumenti per la predizione (regressione e classificazione).
2. La capacità di risolvere un problema di apprendimento attraverso le tecniche proposte
3. La proprietà nella terminologia tecnica usata, sia scritta che orale
4. L’originalità e indipendenza nella identificazione delle metodologie più adatte a risolvere uno specifico problema di apprendimento.
5. La capacità di interpretare i risultati in un problema pratico di apprendimento
6. Abilità nell'utilizzo degli strumenti informatici per l’apprendimento automatico
7. L’abilità analitica e pratica nell'uso di questi strumenti per la soluzione di semplici problemi.
Contenuti: Motivazioni, componenti del problema di apprendimento e applicazioni dell'apprendimento automatico. Apprendimento supervisionato e non supervisionato.

Parte I: Apprendimento supervisionato.

1. Introduzione: Dati, classi di modelli, funzioni di costo.
2. Modelli probabilistici e ipotesi sui dati. Funzione di regressione. Regressione e Classificazione.

3. Bonta' di un modello, complessità, compromesso tra distorsione e varianza (dimensione di Vapnik-Chervonenkis, errore di generalizzazione).

4. Modelli per la regressione: regressione lineare (scalare e multivariata), selezione di variabili, modelli lineari nei parametri, regolarizzazione.

5. Classi di modelli non lineari: Sigmoidi, Reti Neurali.

6. Metodi "Kernel'': Support Vectors Machines.

7. Metodi per la classificazione: Regressione Logistica, Reti Neurali, Perceptron, Classificatore di Bayes, SVM, Deep Learning.

8. Validazione e selezione dei modelli: errore di generalizzazione, compromesso tra distorsione e varianza, cross validation. Determinazione della complessità del modello.

Parte II: Apprendimento non supervisionato

1. Analisi di clusters: K-means, misture di Gaussiane e stima EM.

2. Riduzione della dimensionalita’: analisi delle componenti principali (PCA).
Attivita' di apprendimento previste e metodologie di insegnamento: Lezioni teoriche con utilizzo sia di lucidi che della lavagna. Esercitazioni in aula con coinvolgimento degli studenti. Esercitazioni al calcolatore (in laboratorio), anche con l’utilizzo di casi di studio.
Eventuali indicazioni sui materiali di studio: Il corso sarà basato sui libri di testo: “Understanding Machine Learning: from Theory to Algorithms", "Machine Learning, a probabilistic perspective", "Pattern Recognition and Machine Learning", e "The Elements of Statistical Learning" (vedi Sezione "Testi di Riferimento").

Tutto il materiale didattico presentato durante le ore di lezione frontale, altro materiale aggiuntivo e informazioni dettagliate sulle modalità d'esame saranno resi disponibili sulla piattaforma elearning ( http://elearning.dei.unipd.it ).
Testi di riferimento:
  • Shalev-Shwartz, Shai; Ben-David, Shai, Understanding machine learning: From theory to algorithms. Cambridge: Cambridge University Press, 2014. Cerca nel catalogo
  • C. M. Bishop, Pattern Recognition and Machine Learning. --: Springer, 2006. Cerca nel catalogo
  • Murphy, Kevin P., Machine Learninga probabilistic perspective. Cambridge: Mit press, 2012. Cerca nel catalogo
  • Hastie, Trevor J.; Tibshirani, Robert, The elements of statistical learning, data mining, inference, and prediction. New York: Springer, 2009. Cerca nel catalogo

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Lecturing
  • Laboratory
  • Problem based learning
  • Case study
  • Problem solving
  • Files e pagine caricati online (pagine web, Moodle, ...)

Didattica innovativa: Software o applicazioni utilizzati
  • Moodle (files, quiz, workshop, ...)

Obiettivi Agenda 2030 per lo sviluppo sostenibile
Istruzione di qualita' Lavoro dignitoso e crescita economica Industria, innovazione e infrastrutture