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] [S 2.1-2.3, 9.2]
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] [J 2.2.1-2.2.2, 3.1-3.3] [S 5.2, 9.2.2]
1 Ottobre (esercitazione)	Esercitazione: Introduzione a Pandas.	[G 2]	Note
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] [J 3.5]
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] [G 2]
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] [S 14.1]	Note
15 Ottobre	Training, validazione e test. Validazione incrociata. Riduzione delle feature. Feature selection. Regolarizzazione L2 e regressione ridge.	[W 9.7.1] [J 5.1, 6.1, 6.2] [S 11.2, 13.1]
15 Ottobre (esercitazione)	Esercitazione: Metodi di regressione in SciKit-Learn.	[G 4]	Documentazione scikit-learn
17 Ottobre	Regolarizzazione L1 e regressione LASSO. Classificazione e funzione di costo 0-1. Inaccuratezza di un classificatore. Classificazione K-Nearest Neighbor.	[W 9.7.2-9.7.3] [J 2.2.3] [S 19.1, 19.3]
22 Ottobre	Classificazione generativa. Classificatore Bayesiano. Fit di gaussiane univariate. Analisi del discriminante unidimensionale.	[J 4.4]	Note
22 Ottobre (esercitazione)	Esercitazione: Classificazione generativa (univariata).		Documentazione scikit-learn
24 Ottobre	Fit di gaussiane multivariate. Matrici di covarianza. Analisi del discriminante quadratica e lineare. Naive Bayes.	[J 4.4] [B 4.2-4.2.2] [M 4.2-4.2.4] [S 24.1-24.3]	Note
29 Ottobre	Classificazione discriminativa. Regressione logistica nel caso binario. Formulazione con etichette 0/1 e con etichette 1/-1. Regola SGD per la regressione logistica. Regressione logistica regolarizzata.	[W 6.1-6.3] [J 4.3]	Note 1, Note 2
29 Ottobre (esercitazione)	Esercitazione: Classificazione generativa (multivariata).		Documentazione scikit-learn
5 Novembre	Classe di ipotesi del percettrone. Algoritmo del percettrone. Convergenza del percettrone. Forma duale.	[W 6.4]	Note
5 Novembre (esercitazione)	Esercitazione: Regressione logistica in SciKit-Learn.	[G 4]	Documentazione scikit-learn
7 Novembre	Support Vector Machines. Hard-margin SVM. Soft-margin SVM.	[W 6.4-6.4.4, 6.5-6.6]

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]
[S 2.1-2.3, 9.2]

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]
[J 2.2.1-2.2.2, 3.1-3.3]
[S 5.2, 9.2.2]

1 Ottobre (esercitazione)

Esercitazione: Introduzione a Pandas.

[G 2]

Note

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]
[J 3.5]

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]
[G 2]

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]
[S 14.1]

Note

15 Ottobre

Training, validazione e test. Validazione incrociata. Riduzione delle feature. Feature selection. Regolarizzazione L2 e regressione ridge.

[W 9.7.1]
[J 5.1, 6.1, 6.2]
[S 11.2, 13.1]

15 Ottobre (esercitazione)

Esercitazione: Metodi di regressione in SciKit-Learn.

[G 4]

Documentazione scikit-learn

17 Ottobre

Regolarizzazione L1 e regressione LASSO. Classificazione e funzione di costo 0-1. Inaccuratezza di un classificatore. Classificazione K-Nearest Neighbor.

[W 9.7.2-9.7.3]
[J 2.2.3]
[S 19.1, 19.3]

22 Ottobre

Classificazione generativa. Classificatore Bayesiano. Fit di gaussiane univariate. Analisi del discriminante unidimensionale.

[J 4.4]

Note

22 Ottobre (esercitazione)

Esercitazione: Classificazione generativa (univariata).

Documentazione scikit-learn

24 Ottobre

Fit di gaussiane multivariate. Matrici di covarianza. Analisi del discriminante quadratica e lineare. Naive Bayes.

[J 4.4]
[B 4.2-4.2.2]
[M 4.2-4.2.4]
[S 24.1-24.3]

Note

29 Ottobre

Classificazione discriminativa. Regressione logistica nel caso binario. Formulazione con etichette 0/1 e con etichette 1/-1. Regola SGD per la regressione logistica. Regressione logistica regolarizzata.

[W 6.1-6.3]
[J 4.3]

Note 1, Note 2

29 Ottobre (esercitazione)

Esercitazione: Classificazione generativa (multivariata).

Documentazione scikit-learn

5 Novembre

Classe di ipotesi del percettrone. Algoritmo del percettrone. Convergenza del percettrone. Forma duale.

[W 6.4]

Note

5 Novembre (esercitazione)

Esercitazione: Regressione logistica in SciKit-Learn.

[G 4]

Documentazione scikit-learn

7 Novembre

Support Vector Machines. Hard-margin SVM. Soft-margin SVM.

[W 6.4-6.4.4, 6.5-6.6]

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

Anno Accademico	Autore	Titolo	Dataset
2023-24	Di Santo Silvia	Esopianeti	Habitable Worlds Catalog Data
2023-24	Gasparrini Gabriele	Heart attack prediction	Heart Attack Analysis
2023-24	Romoli Roberta	Studio delle scosse di assestamento nelle sequenze dell’Appennino Centrale	Dati INGV
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	ChatGPT sentiment analysis
2023-24	Manna Sara	Qualità dell’acqua: classificazione binaria per predire la potabilità dell’acqua	`water_potability`
2023-24	Sellarione Francesca	Convolutional Neural Network per il riconoscimento e la classificazione di gemme	Gemstones Images Expanded
2023-24	Galvan Fabio	Predizione della sopravvivenza di pazienti affetti da insufficienza cardiaca	UCI Heart failure clinical records
2022-23	Ferretti Federica	Come la scienza dei dati consiglia il ristorante per te	`yelp_academic_dataset_review`
2022-23	Galatro Sara	L’endometriosi e il cibo	Dati raccolti durante il progetto
2022-23	Lisi Andrea	Machine Learning per il riconoscimento di strumenti musicali	`Slakh2100`
2022-23	Longaroni Giacomo	Classificazione di immagini raffiguranti 5 diverse condizioni meteo attraverso Convolutional Neural Network	`multiclass_weather_dataset`
2022-23	Moretti Davide	Riconoscimento di immagini generate artificialmente	Open Images v4
2022-23	Tacchetti Fabiana	Riconoscere segnali di depressione tramite post su Twitter	`Mental-Health-Twitter`
2020-21	Del Papa Michele	Sistema di predizione del genere e recommendation systems	`ml-latest-small`
2020-21	Di Gregorio Silvio	Dipendenza tra valori inquinanti e condizioni meteo	ARPA Lombardia
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	UCI Bank Marketing