IN550 Machine Learning – A.A. 2024/25
La pagina web inerente la precedente erogazione dell’insegnamento da parte del docente è reperibile qui.
Avvisi
Orari ed aule
Quando: Martedì 16.00-19.00 (lezione + esercitazione) e Giovedì 16.00-18.00 (lezione)
Dove: Lab (Martedì), aula A (Giovedì)
Libro di testo
Il libro di testo adottato è
-
[W] Machine Learning Refined di J. Watts, R. Borhani, A.K. Katsaggelos (Cambridge University Press, 2ª edizione, 2020). Una copia del testo è reperibile nella biblioteca di area scientifica, sede Torri. Il repository GitHub del libro, contenente vari dataset ed esercizi, è qui.
Gli altri riferimenti bibliografici utilizzati dal docente nella preparazione delle lezioni sono:
-
[S] Understanding Machine Learning di S. Shalev-Shwartz, S. Ben-David (Cambridge University Press, 2014).
-
[J] An Introduction to Statistical Learning di G. James, D. Witten, T. Hastie, R. Tibshirani (Springer, 2ª edizione, 2021).
-
[M] Probabilistic Machine Learning di K.P. Murphy (MIT Press, 2022). Una copia del testo è reperibile nella biblioteca di area scientifica, sede Torri.
-
[B] Pattern Recognition and Machine Learning di C.M. Bishop (Springer, 2006). Una copia del testo è reperibile nella biblioteca di area scientifica, sede centrale.
-
[G] Hands-On Machine Learning with SciKit-Learn, Keras, and Tensorflow di A. Géron (O’Reilly, 3ª edizione, 2022). Una copia del testo è reperibile nella biblioteca di area scientifica, sede centrale. Il repository GitHub di questo libro, contenente vari esempi in Jupyter, è qui.
Software utilizzato e quaderni Jupyter
Le esercitazioni utilizzeranno il linguaggio di programmazione Python 3. Si svilupperanno quaderni di Python interattivo (Jupyter) utilizzando varie librerie.
L’ambiente software consigliato, disponibile gratuitamente e liberamente installabile sul proprio calcolatore, è Anaconda. La versione testata dal docente è Anaconda3-2023.03, ma anche con le versioni successive i quaderni dovrebbero funzionare correttamente.
Il materiale delle Esercitazioni verrà reso disponibile all’interno del canale Teams del corso (File > Materiale del corso).
Diapositive a cura del docente
Diario delle lezioni
I riferimenti [W] (oppure [S], [J], eccetera) indicano le sezioni del libro di testo o degli altri riferimenti bibliografici.
Data | Argomenti | Riferimenti al testo | Allegati |
---|---|---|---|
24 Settembre |
Presentazione del corso. Definizione ed esempi di Machine Learning. Tipologie di apprendimento. |
[W 1.1-1.5] |
|
24 Settembre (esercitazione) |
Esercitazione: Introduzione a NumPy. |
[G 2] |
|
26 Settembre |
Funzione costo, rischio atteso, rischio empirico. Principio ERM. Compromesso bias-varianza. Regressione lineare. ERM per la regressione lineare ed equazioni normali. |
[W 5.1-5.2.2] |
|
1 Ottobre |
Ipotesi bayesiana. Decomposizioni bias-varianza e stima-approssimazione. Coefficiente R². Variabili qualitative e one-hot encoding. Feature crossing. Regressione polinomiale e regressione lineare generalizzata. |
[W 5.4] |
|
1 Ottobre (esercitazione) |
Esercitazione: Introduzione a Pandas. |
[G 2] |
|
3 Ottobre |
Interpretazione probabilistica del metodo dei minimi quadrati. Stima a massima verosimiglianza (MLE) e principio ERM. Regressione K-Nearest Neighbor. Regressione Least Absolute Deviations (LAD). Regressione lineare pesata e multi-output. |
[W 5.3, 5.5-5.6] |
|
8 Ottobre |
Ottimizzazione matematica, funzioni convesse, criteri di convessità, norme. Metodi di ricerca locale. Metodo della discesa del gradiente. |
[W 2.1-2.5, 3.1-3.3, 3.5] |
|
8 Ottobre (esercitazione) |
Esercitazione: Implementazione del metodo del gradiente in NumPy. Introduzione a SciKit-Learn. |
[W 3.5] |
|
10 Ottobre |
Dimostrazione della convergenza di Gradient Descent (GD). Problematiche di GD. Metodi del secondo ordine. GD per l’apprendimento supervisionato. Batch, Mini-Batch e Stochastic GD. |
[W 3.6-3.7, 4.1-4.5, 5.2.3-5.2.4] |
Progetti software
Le linee guida per la realizzazione dei progetti verranno inserite nella cartella Teams del corso.
Esempi di progetti realizzati in passato
Anno Accademico | Autore | Titolo | Dataset |
---|---|---|---|
2023-24 |
Vallifuoco Augusta Gioia |
Analisi di opere d’arte: riconoscimento di artisti usando reti neurali |
Dati raccolti durante il progetto |
2023-24 |
Attolini Chiara |
Classificazione e generazione di testo usando reti neurali |
|
2023-24 |
Manna Sara |
Qualità dell’acqua: classificazione binaria per predire la potabilità dell’acqua |
|
2023-24 |
Sellarione Francesca |
Convolutional Neural Network per il riconoscimento e la classificazione di gemme |
|
2023-24 |
Galvan Fabio |
Predizione della sopravvivenza di pazienti affetti da insufficienza cardiaca |
|
2022-23 |
Ferretti Federica |
Come la scienza dei dati consiglia il ristorante per te |
|
2022-23 |
Galatro Sara |
Dati raccolti durante il progetto |
|
2022-23 |
Lisi Andrea |
Machine Learning per il riconoscimento di strumenti musicali |
|
2022-23 |
Longaroni Giacomo |
Classificazione di immagini raffiguranti 5 diverse condizioni meteo attraverso Convolutional Neural Network |
|
2022-23 |
Moretti Davide |
Riconoscimento di immagini generate artificialmente |
|
2022-23 |
Tacchetti Fabiana |
Riconoscere segnali di depressione tramite post su Twitter |
|
2020-21 |
Del Papa Michele |
Sistema di predizione del genere e recommendation systems |
|
2020-21 |
Di Gregorio Silvio |
Dipendenza tra valori inquinanti e condizioni meteo |
|
2020-21 |
Meloni Pietro |
Classificazione di messaggi WhatsApp |
Dati raccolti durante il progetto |
2020-21 |
Passacantilli Elisa |
Il mondo del lavoro per i ragazzi degli istituti superiori professionali |
Dati raccolti durante il progetto |
2020-21 |
Proietti Alessio |
TensorPRO: Tensorflow Privacy Remindful Optimization |