61883 - Machine Learning (A.A. 2011/2012)
Machine Learning vale 12 crediti ed è formato dai seguenti moduli:Obiettivi formativi
Il corso fornisce i fondamenti dell'apprendimento automatico, mostrando diversi approcci alla soluzione dei problemi di base della classificazione supervisionata, della regressione e dell'apprendimento non supervisionato. Saranno affrontati argomenti algoritmici e computazionali sia dal punto di vista teorico che attraverso esercitazioni in laboratorio.
Machine Learning (Mod. 1)
Informazioni generali
Machine Learning (Mod. 1) (ML1, codice 61883) vale 6 crediti e si svolge nel primo semestre dei seguenti anni: 1°, 2° LM-18.Ulteriori dettagli sono disponibili sulla homepage dell'insegnamento.
Per gli studenti iscritti, il materiale didattico è disponibile su AulaWeb.
Propedeuticità
Programmazione, elementi di probabilità, statistica, analisi matematica, calcolo numerico.Obiettivi formativi
(a) Raggiungere un'approfondita conoscenza delle basi matematiche e dei problemi implementativi degli Algoritmi Evolutivi, degli algoritmi di Swarm Intelligence e dei Sistemi basati sugli insiemi Sfumati (b) Capacità di applicare le metodologie acquisite in settori significativi, come la bioinformatica.
Programma dell'insegnamento
Algoritmo Genetico Semplice - Teorema degli schemi - Minimo problema ingannevole - Ottimizzazione degli Algoritmi Genetici - Algoritmi Genetici per ottimizzazione combinatoria - Traveling Salesman Problem - Stategie Evolutive - Programmazione Genetica - Particle Swarm Optimization - Simulated Annealing - Insiemi sfumati - Principio di estensione - Relazioni sfumate - Ragionamento approssimato - Sistemi fuzzy - Sistemi neuro-fuzzy - Clustering - Applicazioni.
Docente responsabile
Francesco MasulliOrario di ricevimento: Giovedì ore 16.00-18.00 su appuntamento email
Testi di riferimento
Libri di testo:
- D.E. Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning, Addison Wesley, 1989 (MAT 68-1989-48IN, CHI M.9, ING1 A.ELE.T.0264)
- H.J. Zimmermann, Fuzzy set theory and its applications, 2ed., Kluwer Academic Publishers, 1996 (MAT 04-1996-01, MAT 04-1996-02, LETT 14.E.169)
Altri testi per consultazione e approfondimenti:
- R.C. Eberhart, J. Kennedy, Swarm Intelligence, Morgan Kaufmann, 2001, ISBN: 1558605959.
- G.J. Klir & B. Yuan, Fuzzy Sets and Fuzzy Logic - Theory and Applications, Prentice Hall, 1995 (ING-DIP C 1 / 0032) (o anche G.J. Klir, T. A. Folger, Fuzzy sets uncertainty and information, Prentice Hall, 1988, MAT 68-1988-55IN).
- A.K. Jain, R.C. Dubes.Algorithms for Clustering Data. Prentice-Hall, Inc., Upper Saddle River, NJ, 1988. (downloadable)
- J.S.R. Jang, C.T. Sun, E. Mizutani, Neuro-Fuzzy and Soft Computing, Prentice Hall, 1996, ISBN: 0132610663.
- J.R. Koza, Genetic Programming, MIT Press, 1992 (MAT 68-1992-038IN).
- C.T. Lin, G. S. Lee, Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems, Prentice Hall, 1996, ASIN: 0132351692 (ARC C.3613)
- Z. Michalewicz, Genetic Algorithms + Data Structures = Evolution Programs, Springer-Verlag; 3rd Rev edition, 1996, ISBN: 3540606769
- J.R. Movellan, Introduction to Probability Theory and Statistics, Kolmogorov Project Tutorials, GNU Free Documentation License, 2005 (downloadable).
- R. Poli, W.B. Langdon, N.F. MCPhee, J.R. Koza, A Field Guide to Genetic Programming, GNU Free Documentation License, 2008 (downloadable).
- W.H. Press, S. A. Teukolsky, W.T. Vetterling, B.P. Flannery, Numerical Recepies in C: the art of scientific computing (Third Edition) Cambridge University Press, 2007.
- H.P. Schwefel, Evolution and Optimum Seeking, J. Wiley & Sons, 1995 (MAT 68-1995-196).
- A.Tettamanzi, M. Tomassini, Soft Computing: Integrating Evolutionary, Neural, and Fuzzy Systems, Springer Verlag, 2001. ISBN: 354042204
Ulteriore materiale didattico sarà reso disponibile agli studenti durante il corso.
Modalità di erogazione dell'insegnamento
TradizionaleModalità di frequenza
ConsigliataMetodo di valutazione
Esame orale e compitiModalità di iscrizione agli esami
Esami su appuntamento (messaggio al forum del corso su Aulaweb)Date degli appelli
Commissione di esame
Presidente:
Masulli FrancescoMembri:
Verri AlessandroSupplenti:
Rosasco Lorenzo, Rovetta StefanoMachine Learning (Mod. 2)
Informazioni generali
Machine Learning (Mod. 2) (ML2, codice 61883) vale 6 crediti e si svolge nel primo semestre dei seguenti anni: 1°, 2° LM-18.Per gli studenti iscritti, il materiale didattico è disponibile su AulaWeb.
Propedeuticità
Conoscenza di base del calcolo differenziale a più variabili, della teoria della probabilità e della statisticaObiettivi formativi
Fornire le conoscenze di base dei problemi teorici della teoria dell'apprendimento da esempi e di alcuni metodi che possono essere impiegati nei casi supervisionati (classificazione e regressione). Seppur a livello introduttivo, il corso mira a fornire allo studente gli strumenti necessari ad affrontare e risolvere autonomamente un problema di apprendimento da esempi partendo da un insieme ristretto ma potente di tecniche.Programma dell'insegnamento
Fondamenti probabilistici dell'apprendimento statistico da esempi. Rischio empirico e rischio atteso, funzioni loss e spazio delle ipotesi. Minimizzazione del rischio empirico e fenomeno dell'overfit. Minimi quadrati regolarizzati. Metodi kernel e SVM. Esempi di applicazioni. Cenni a manifold learning e clustering.Docente responsabile
Alessandro VerriOrario di ricevimento: su appuntamento via email
Testi di riferimento
Hastie, Tibshirani, and Friedman
Elements of Statistical Learning
Modalità di erogazione dell'insegnamento
TradizionaleModalità di frequenza
FacoltativaMetodo di valutazione
L'esame consiste di una prova orale e nella discussione della consegna di relazioni sui laboratori tenuti durante il corsoModalità di iscrizione agli esami
Su appuntamentoDate degli appelli
Commissione di esame
Presidente:
Masulli FrancescoMembri:
Verri AlessandroLogin
Cerca
Dipartimento di Informatica e Scienze dell'Informazione, Via Dodecaneso, 35, 16146 Genova - Italy, Phone: +39 - 010 - 353 6751 Fax: +39 - 010 - 353 6699
