Offerta Didattica

 

ENGINEERING AND COMPUTER SCIENCE

ADVANCED TECHNIQUES OF DATA ANALYSIS

Classe di corso: LM-32, 18 - Classe delle lauree magistrali in Ingegneria informatica
AA: 2019/2020
Sedi: MESSINA
SSDTAFtipologiafrequenzamoduli
ING-INF/05CaratterizzanteLiberaLiberaNo
CFUCFU LEZCFU LABCFU ESEOREORE LEZORE LABORE ESE
64024824024
Legenda
CFU: n. crediti dell’insegnamento
CFU LEZ: n. cfu di lezione in aula
CFU LAB: n. cfu di laboratorio
CFU ESE: n. cfu di esercitazione
FREQUENZA:Libera/Obbligatoria
MODULI:SI - L'insegnamento prevede la suddivisione in moduli, NO - non sono previsti moduli
ORE: n. ore programmate
ORE LEZ: n. ore programmate di lezione in aula
ORE LAB: n. ore programmate di laboratorio
ORE ESE: n. ore programmate di esercitazione
SSD:sigla del settore scientifico disciplinare dell’insegnamento
TAF:sigla della tipologia di attività formativa
TIPOLOGIA:LEZ - lezioni frontali, ESE - esercitazioni, LAB - laboratorio

Obiettivi Formativi

Il corso di Advanced Techniques of Data Analysis si propone di fornire agli allievi i concetti di base dellanalisi dei dati e dellapprendimento automatico. Verranno trattati gli aspetti dellapprendimento supervisionato e non supervisionato mediante lo studio delle basi teoriche e la loro applicazione a problemi reali. Il corso intende fornire anche agli studenti le capacità pratiche per lutilizzo dei principali ambienti di sviluppo di algoritmi di machine learning quali Keras e TensorFlow.

Learning Goals

The Advanced Techniques of Data Analysis course aims to provide students with the basic concepts of data analysis and machine learning. The aspects of supervised and unsupervised learning will be covered by studying the theoretical notions and their application to real problems. The course also aims to provide students with practical skills for using the main development environments of machine learning algorithms such as Keras and TensorFlow.

Metodi didattici

Lezioni frontali. Esercitazioni in aula.

Teaching Methods

Lectures. Classroom exercises

Prerequisiti

Sono richieste conoscenze di statistica, algebra lineare, programmazione Python.

Prerequisites

Knowledge of statistics, linear algebra, Python programming are required.

Verifiche dell'apprendimento

Il corso prevede una prova orale atta a valutare il livello di apprendimento raggiunto. Inoltre, è richiesta la risoluzione di un problema reale (sotto forma di tesina) da presentare e discutere il giorno della prova orale. L'argomento della tesina dovrà essere concordato con il docente.

Assessment

The course includes an oral test designed to assess the level of learning achieved. Furthermore, the resolution of a real problem (in the form of a short dissertation) is required to be presented and discussed on the day of the oral test (the topic must be agreed with the teacher).

Programma del Corso

Introduzione al Data Analytics e al Machine Learning. Il concetto di apprendimento supervisionato e non-supervisionato. Il primo esempio di classificatore: k-Nearest neighbor. Classificazione mediante modelli generativi. La distribuzione gaussiana univariata e multivariata. Approcci generativi per la classificazione. Regressione Lineare. Regularized Linear Regression: Ridge Regression. Regularized Linear Regression: Lasso Regression. Logistic Regression. Learning curves. Overfitting. Neural Networks. Support Vector Machines. Random forests. Metodi di Apprendimento non supervisionato. Clustering. Metodi di riduzione della dimensionalità: PCA e SVD. Introduzione al Deep learning. Deep Neural Networks. Reifnrocement Learning

Course Syllabus

Introduction to Data Analytics and Machine Learning. The concept of supervised and non-supervised learning. The first example of a classifier: k-Nearest neighbor. Classification using generative models. The univariate and multivariate Gaussian distribution. Generative approaches to classification. Linear Regression. Regularized Linear Regression: Ridge Regression. Regularized Linear Regression: Lasso Regression. Logistic Regression. Learning curves. Overfitting. Neural Networks. Support Vector Machines. Random forests. Unsupervised learning methods. Clustering. Dimensionality reduction methods: PCA and SVD. Introduction to Deep Learning. Deep Neural Networks. Reifnrocement Learning

Testi di riferimento: Trevor Hastie, Robert Tibshirani, and Jerome Friedman, The elements of statistical learning (2nd edition).

Elenco delle unità didattiche costituenti l'insegnamento

Docente: DARIO BRUNEO
NNomeSSDTipoCFUORETAFFrequenza
1ING-INF/05ESE224CaratterizzanteLibera
2ING-INF/05LEZ424CaratterizzanteLibera

Legenda
SEGMENTO: Tutte le unità didattiche sono composte da almeno un segmento
TIPO:LEZ - lezione, ESE - esercitazione, LAB - laboratorio

Orario di Ricevimento - DARIO BRUNEO

GiornoOra inizioOra fineLuogo
Martedì 15:00 17:00Dipartimento di Ingegneria - 7° piano - blocco B
Note:
  • Segui Unime su:
  • istagram32x32.jpg
  • facebook
  • youtube
  • twitter
  • UnimeMobile
  • tutti