MACHINE LEARNING

Conoscenza e capacità di comprensione (knowledge and understanding): saranno acquisite le conoscenze relative ai modelli piu' importanti di apprendimento automatico e le tecniche algoritmiche per l'apprendimento automatico da dati.

Capacità di applicare conoscenza e comprensione (applying knowledge and understanding): saranno acquisite le capacità per applicare le nozioni imparate in vari campi come: riconoscimento e classificazione, social netwoking, computer vision e comprensione del linguaggio naturale.
Autonomia di giudizio (making judgements): Lo studente sarà in grado di valutare la possibilità di sviluppare algoritmi e sistemi di apprendimento automatico in diversi ambiti applicativi.
Abilità comunicative (communication skills): saranno acquisite le necessarie abilità comunicative ed un'adeguata appropriatezza espressiva nella comunicazione di problematiche inerenti ai sistemi di apprendimento automatico e le loro applicazioni.

Capacità di apprendimento (learning skills): lo studente avrà la capacita di adattare le conoscenze acquisite anche a nuovi contesti e di comprendere i limiti di applicabilità delle tecniche di apprendimento automatico.

Il Corso prevede una buona conoscenza di base di Algoritmi, concetti di Probabilita', e le problematiche di Intelligenza Artificiale in generale.

La frequenza è consigliata. Le lezioni permettono di cogliere meglio gli argomenti trattati e l'idea generale che tiene legati i diversi temi e forniscono riferimenti e digressioni utili.

Contenuti dettagliati del Corso:

1. Machine Learning Basics

1.1 Learning Algorithms

1.2 Capacity, Overfitting and Underfitting

1.3 Hyperparameters and Validation Sets

1.4 Estimators, Bias and Variance

1.5 Maximum Likelihood Estimation

1.6 Bayesian Statistics

1.7 Supervised Learning Algorithms

1.8 Unsupervised Learning Algorithms

1.9 Stochastic Gradient Descent

1.10 Building a Machine Learning Algorithm

1.11 Challenges Motivating Deep Learning

2. Deep Feedforward Networks

3. Regularization for Deep Learning

4. Optimization for Training Deep Models

5. Convolutional Networks

6. Sequence Modeling: Recurrent and Recursive Nets

7. Practical Methodology and Applications

8. Linear Factor Models

9. Autoencoders

10. Representation Learning

11. Structured Probabilistic Models for Deep Learning

12. Approximate Inference

13. Deep Generative Models

13.1 Boltzmann Machines

13.2 Restricted Boltzmann Machines

13.3 Deep Belief Networks

13.4 Deep Boltzmann Machines

13.5 Boltzmann Machines for Real-Valued Data

13.6 Convolutional Boltzmann Machines

13.7 Boltzmann Machines for Structured or Sequential Outputs

13.8 Other Boltzmann Machines

13.9 Back-Propagation through Random Operations

13.10 Directed Generative Nets

13.11 Drawing Samples from Autoencoders

13.12 Generative Stochastic Networks

13.13 Other Generation Schemes

13.14 Evaluating Generative Models

14. Monte Carlo Methods & Confronting the Partition Function

Il Libro di testo adottato è,

Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, MIT Press.

Libri consigliati:

Machine Learning: A Probabilistic Perspective, K. P. Murphy, MIT Press, 2012.

Pattern Recognition and Machine Learning, Christopher M. Bishop, Springer Nature.

Altro materiale sara' fornito dal docente a lezione.

Esame Orale e Relazione scritta su un progetto assegnato dal Prof. G. Nicosia, docente titolare del corso.