81610 - MACHINE LEARNING

Anno Accademico 2020/2021

  • Docente: Andrea Asperti
  • Crediti formativi: 6
  • SSD: INF/01
  • Lingua di insegnamento: Inglese
  • Modalità didattica: Convenzionale - Lezioni in presenza
  • Campus: Bologna
  • Corso: Laurea Magistrale in Informatica (cod. 8028)

Conoscenze e abilità da conseguire

L'apprendimento automatico si occupa di programmi che estraggono informazioni dai dati e le utilizzano per risolvere problemi predittivi, come la classificazione di documenti, il riconoscimento di oggetti in immagini, la rilevazione di anomalie, le diagnosi mediche, il controllo robotico e cosi via. I programmi in oggetto tipicamente migliorano le proprie prestazioni mediante l'acquisizione di esperienza: si addattano a nuovi problemi simili a quelli gia' affrontati, e li risolvono in modo efficiente. Il corso copre argomenti tradizionali quali alberi di decisione, regressione logistica, tecniche Bayesiane e reti neurali, e fornisce una introduzione al recente settore dell'apprendimento profondo.

Contenuti

La prima parte del corso fornisce una introduzione generale alla problematica dell'apprendimento automatico, nelle sue forme tipiche: supervisionato, non supervisionato, per rinforzo. Vengono trattati temi tradizionali quali alberi di decisione, regressione logistica, reti Bayesiane, Support Vector Machines.

La seconda parte del corso e' dedicata alle reti neurali e al loro tipico meccanismo di apprendimento: l'algoritmo di backpropagation. Verrano analizzate le principali tipologie di rete: feed forward, convoluzionali, ricorrrenti e le loro applicazioni pratiche. Si studieranno inoltre tecniche di visualizzazione di unita' neurali nascoste (legate a deep dreams e inceptionism), e sistemi generativi di varia natura, tra cui Generative Adversarial Networks. Le ultime lezioni del corso forniranno una breve introduzione al Reinforcement Learning.

 

Testi/Bibliografia

Slides del docente.

Durante il corso verrano via via forniti links a documenti e siti di particolare rilevanza in realzione ai temi trattati.

Si consiglia comunque la lettura di:

  • Yoshua Bengio, Ian Goodfellow and Aaron Courville, "Deep Learning", MIT Press (to appear)

Metodi didattici

Lezioni frontali integrate da esemplificazioni pratiche

Modalità di verifica e valutazione dell'apprendimento

Sviluppo e discussione di un progetto pratico di apprendimento.

Strumenti a supporto della didattica

Il corso si avvale di numerose librerie open source di supporto alle tecniche di Machine Learning.
In particolare si fara' principalmente uso di

Orario di ricevimento

Consulta il sito web di Andrea Asperti