Vai al contenuto principale
Oggetto:
Oggetto:

Data Mining: Modellazione Statistica e Apprendimento Automatico dei Dati

Oggetto:

Data Mining, Statistical Modeling and Machine Learning

Oggetto:

Anno accademico 2013/2014

Codice dell'attività didattica
INT0833
Docente
Dott. Ciro Cattuto (Titolare del corso)
Corso di studi
Laurea Magistrale Interateneo in Fisica dei sistemi complessi
Anno
1° anno 2° anno
Periodo didattico
Secondo periodo didattico
Tipologia
C=Affine o integrativo
Crediti/Valenza
6
SSD dell'attività didattica
FIS/02 - fisica teorica, modelli e metodi matematici
Modalità di erogazione
Tradizionale
Lingua di insegnamento
Italiano
Modalità di frequenza
Obbligatoria
Tipologia d'esame
Orale
Modalità d'esame
Discussione alla lavagna ed esercitazioni interattive al computer.
Prerequisiti
Analisi matematica, algebra lineare, elementi di statistica e probabilità.
Oggetto:

Sommario insegnamento

Oggetto:

Obiettivi formativi

Il corso si pone l'obiettivo di fornire competenze di base per l'analisi e la modellazione statistica dei dati, con speciale attenzione alle tecniche di apprendimento automatico (machine learning) in contesti sia descrittivi che predittivi. Il corso ha un forte carattere interdisciplinare e copre argomenti tradizionalmente trattati in corsi di laurea di computer science e statistica. Un importante obiettivo del corso è la conoscenza operativa delle tecniche e degli algoritmi trattati. Le lezioni teoriche si alterneranno perciò ad esercitazioni al computer.

Oggetto:

Risultati dell'apprendimento attesi

- compresione teorica dei fondamenti dell'apprendimento automatico (machine learning) dai dati

- capacità di usare alcune librerie Python per il machine learning nel contesto di semplici applicazioni

Oggetto:

Programma

- The major paradigms of learning from data, the learning problem, the feasibility of learning

- The architecture of machine learning algorithms: model structure, scoring, and search

- The theory of generalization, the Vapnik-Chervonenkis generalization bound, model complexity penalization, the approximation-generalization tradeoff, bias and variance, the learning curve

- Models and Patterns: parametric and non-parametric models, regression models

- Score functions and optimization techniques. Gradient descent and stochastic gradient descent.

- Linear Models: linear classification, linear regression, ordinary least squares, logistic regression, non-linear transformations

- Overfitting and Regularization: model complexity and overfitting, commonly used regularizers, weight decay and lasso.

- Validation and Cross-Validation: validation set, leave-one-out cross validation, K-fold cross-validation

- Descriptive Modeling: density models, mixture models, the Expectation-Maximization algorithm, cluster analysis, the K-means algorithm, hierarchical clustering

- Predictive Modeling for Classification: linear discriminants, tree models, nearest-neighbor methods, Naive Bayes, feature selection

- Predictive Modeling for Regression: linear regression, generalized linear models

- Singular Value Decomposition, Matrix Factorization, and applications

- Content-based retrieval: text representation and classification, term weighting, latent semantic indexing

Testi consigliati e bibliografia

Oggetto:

- Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin, "Learning from Data"AMLBook 2012

- David J. Hand, Heikki Mannila, Padhraic Smyth, "Principles of Data Mining", MIT Press 2011



Oggetto:

Note

Le esercitazioni del corso richiedono la capacità di scrivere ed eseguire semplici programmi in Python. La conoscenza del linguaggio di programmazione Python non è richiesta ma ci si aspetta che gli studenti si impegnino per acquisire una sufficiente competenza nell'uso di Python in parallelo alle lezioni del corso.

Oggetto:
Ultimo aggiornamento: 01/08/2014 09:16
Location: https://fisica-sc.campusnet.unito.it/robots.html
Non cliccare qui!