119411 - Sistemi informativi
DAFNE - Gestione digitale dell’agricoltura e del territorio montano LM-69
Erogazione
2023/2024
Prerequisiti
Basi di analisi matematematica, funzioni a più variabili, algebra lineare.
Bibliografia di riferimento
- Abhishek Kumar Pandey, Pramod Singh Rathore, Dr. S. Balamurugan "A Practical Approach for Machine Learning and Deep Learning Algorithms Tools and Technique using MATLAB and Python", BPB Publications, INDIA ISBN: 978-93-88511-13-1
- Aurélien Géron, "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (Concepts, Tools, and Techniques to Build Intelligent Systems)", O'REILLY
- Ian Goodfellow_Yoshua Bengio_ Aaron Courville - Deep Learning (2016_ The MIT Press)
Programma
Machine Learning Supervisionato
Introduzione, definizioni, concetti e applicazioni, coding (livello base).
regressione lineare (funzione costo, algoritmo del gradiente descente,
learning rate, matrice pseudoinversa) caso multivariato
Feature scaling e Z−score, costruzione delle variabili rilevanti, regressione logistica,
Decision boundaries. Il problema dell'overfitting
regolarizzazione per la regressione lineare e logistica
2 MACHINE LEARNING NON SUPERVISIONATO
Il clustering, algoritmo K-means e knn (cenni)
Anomaly detection.
3 MACHINE LEARNING IN PRATICA
Iperparametri e strategie di training. Valutazione del modello,
overfitting, underfitting e regolarizzazione. Learning curves, analisi
dell'errore.
Transfer learning. Trading off della precision e della recall
4 NEURAL NETWORKS AND DEEP LEARNING
TensorFlow, Matlab deeplearnong toolbox
Strategie di training e funzionio di attivazione(sigmoid, ReLu, etc)
Classificazione multiclasse. Applicazioni del Deeplearning: classificazione di immagini e YOLO
Testi
- Dispense del docente.
Frequenza
Il corso sarà svolto in Italiano
Valutazione
Durante il corso allo studente verranno proposti dei problemi da risolvere con i metodi appresi. La valutazione finale consistera nella risoluzuione di un problema di machine learning o deep learning.