Servizi per la didattica
PORTALE DELLA DIDATTICA

Apprendimento statistico

01VJVNG

A.A. 2023/24

2022/23

Apprendimento statistico

L'obiettivo principale del corso è di dare agli studenti le basi matematiche per comprendere e usare le più importanti tecniche di apprendimento statistico (o machine learning), sia supervisionato che non supervisionato.

Apprendimento statistico

L'obiettivo principale del corso è di dare agli studenti le basi matematiche per comprendere e usare le più importanti tecniche di apprendimento statistico (o machine learning), sia supervisionato che non supervisionato.

Apprendimento statistico

- Conoscenza e comprensione delle principali tecniche di apprendimento (conoscenza dettagliata della matematica alla base delle tecniche di apprendimento più diffuse, conoscere i limiti delle varie tecniche) - Applicazione pratica delle conoscenze acquisite (capacità di identificare il dominio di applicabilità delle varie tecniche rispetto alla natura dei dati, capacità di estrarre informazioni da dati reali e simulati applicando le tecniche apprese)

Apprendimento statistico

- Conoscenza e comprensione delle principali tecniche di apprendimento (conoscenza dettagliata della matematica alla base delle tecniche di apprendimento più diffuse, conoscere i limiti delle varie tecniche) - Applicazione pratica delle conoscenze acquisite (capacità di identificare il dominio di applicabilità delle varie tecniche rispetto alla natura dei dati, capacità di estrarre informazioni da dati reali e simulati applicando le tecniche apprese)

Apprendimento statistico

Si presume che gli studenti conoscano gli argomenti trattati dai corsi standard di matematica impartiti neli corsi di ingegneria. Inoltre, è richiesta la conoscenza di concetti base di probabilità e statistica: pdf, distribuzione normale, valore atteso, varianza, covarianza.

Apprendimento statistico

Si presume che gli studenti conoscano gli argomenti trattati dai corsi standard di matematica impartiti neli corsi di ingegneria. Inoltre, è richiesta la conoscenza di concetti base di probabilità e statistica: pdf, distribuzione normale, valore atteso, varianza, covarianza.

Apprendimento statistico

Apprendimento Statistico: paradigmi e metodi fondazionali (addestramento, validazione e testing; errori, bilanciamento bias e varianza, cross validation; apprendimento supervisionato e non supervisionato) - Metodi Simulativi: Montecarlo, Bootstrap; - Classificazione: regressione logistica; analisi discriminante, lineare, quadratica e di Fisher, Näive Bayes Classifier, Alberi decisionali; - Metodi basati su nuclei e regolarizzazione: SVM, PCA, Lasso, Ridge, Pruning, Sparsità, Stabilità indotta dalla regolarizzazione; - Metodi di ensemble: Random Forest, Boosting (ADA e Alberi); - Serie temporali: Analisi descrittiva, predizione, decomposizione, modelli stocastici (ARIMA).

Apprendimento statistico

Apprendimento Statistico: paradigmi e metodi fondazionali (addestramento, validazione e testing; errori, bilanciamento bias e varianza, cross validation; apprendimento supervisionato e non supervisionato) - Metodi Simulativi: Montecarlo, Bootstrap; - Classificazione: regressione logistica; analisi discriminante, lineare, quadratica e di Fisher, Näive Bayes Classifier, Alberi decisionali; - Metodi basati su nuclei e regolarizzazione: SVM, PCA, Lasso, Ridge, Pruning, Sparsità, Stabilità indotta dalla regolarizzazione; - Metodi di ensemble: Random Forest, Boosting (ADA e Alberi); - Serie temporali: Analisi descrittiva, predizione, decomposizione, modelli stocastici (ARIMA).

Apprendimento statistico

Apprendimento statistico

Apprendimento statistico

Verranno impartite lezioni e esercitazioni. Mediamente, 3 ore di lezioni a settimana più un'ora e mezza di esercitazioni.

Apprendimento statistico

Verranno impartite lezioni e esercitazioni. Mediamente, 3 ore di lezioni a settimana più un'ora e mezza di esercitazioni.

Apprendimento statistico

An Introduction to Statistical Learning with Applications in R, first edition Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani New York Springer, ISBN 1461471370 http://www-bcf.usc.edu/~gareth/ISL/ Mathematics for machine learning, first edition Deisenroth, Marc Peter, A. Aldo Faisal, and Cheng Soon Ong. Cambridge University Press, 2020, ISBN 110845514X https://mml-book.github.io/ Forecasting: principles and practice, third edition Rob J Hyndman and George Athanasopoulos https://otexts.com/fpp3/ Introductory Time Series with R, first edition Paul S.P. Cowpertwait and Andrew V. Metcalfe New York Springer, ISBN 978-0-387-88697-8 Dataset disponibili su https://github.com/prabeshdhakal/Introductory-Time-Series-with-R-Datasets Argomenti avanzati per approfondimenti Data Science and Machine Learning: Mathematical and Statistical Methods, first edition Dirk P. Kroese, Zdravko I. Botev, Thomas Taimre, Radislav Vaisman CRC Press, 2019, ISBN 9781138492530 https://people.smp.uq.edu.au/DirkKroese/DSML/

Apprendimento statistico

An Introduction to Statistical Learning with Applications in R, first edition Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani New York Springer, ISBN 1461471370 http://www-bcf.usc.edu/~gareth/ISL/ Mathematics for machine learning, first edition Deisenroth, Marc Peter, A. Aldo Faisal, and Cheng Soon Ong. Cambridge University Press, 2020, ISBN 110845514X https://mml-book.github.io/ Forecasting: principles and practice, third edition Rob J Hyndman and George Athanasopoulos https://otexts.com/fpp3/ Introductory Time Series with R, first edition Paul S.P. Cowpertwait and Andrew V. Metcalfe New York Springer, ISBN 978-0-387-88697-8 Dataset disponibili su https://github.com/prabeshdhakal/Introductory-Time-Series-with-R-Datasets Argomenti avanzati per approfondimenti Data Science and Machine Learning: Mathematical and Statistical Methods, first edition Dirk P. Kroese, Zdravko I. Botev, Thomas Taimre, Radislav Vaisman CRC Press, 2019, ISBN 9781138492530 https://people.smp.uq.edu.au/DirkKroese/DSML/

Apprendimento statistico

Modalità di esame: Prova orale obbligatoria; Elaborato scritto individuale;

Apprendimento statistico

Exam: Compulsory oral exam; Individual essay;

Apprendimento statistico

Gli studenti e le studentesse con disabilità o con Disturbi Specifici di Apprendimento (DSA), oltre alla segnalazione tramite procedura informatizzata, sono invitati a comunicare anche direttamente al/la docente titolare dell'insegnamento, con un preavviso non inferiore ad una settimana dall'avvio della sessione d'esame, gli strumenti compensativi concordati con l'Unità Special Needs, al fine di permettere al/la docente la declinazione più idonea in riferimento alla specifica tipologia di esame.

Apprendimento statistico

Exam: Compulsory oral exam; Individual essay;

Apprendimento statistico

L'obiettivo dell'esame è quello di testare la conoscenza del candidato sugli argomenti inseriti nel programma e di testare le capacità nell'analisi dei dati utilizzando i modelli illustrati nel corso. L'esame può essere sostenuto in due modalità: MODALITA' 1 L'esame consiste in due parti: in primo luogo il candidato scriverà una tesina sull'analisi di un set di dati eseguita utilizzando le metodologie insegnate nel corso. Lo studente è libero di usare il software che preferisce: per esempio Orange, R, Matlab, Rapidminer, Python, C++ ecc. Una volta che la tesina è stata approvata dal docente, lo studente è autorizzato a presentarla in una prova orale (circa 20 minuti) durante la quale il docente porrà domande anche sugli aspetti teorici dei metodi utilizzati nella tesina. Sul sito web verranno forniti esempi di lavoro degli anni precedenti. MODALITA' 2 L'esame consiste in una prova orale in cui verranno discussi gli script fatti durante le esercitazioni

In addition to the message sent by the online system, students with disabilities or Specific Learning Disorders (SLD) are invited to directly inform the professor in charge of the course about the special arrangements for the exam that have been agreed with the Special Needs Unit. The professor has to be informed at least one week before the beginning of the examination session in order to provide students with the most suitable arrangements for each specific type of exam.
Esporta Word


© Politecnico di Torino
Corso Duca degli Abruzzi, 24 - 10129 Torino, ITALY
Contatti