Servizi per la didattica
PORTALE DELLA DIDATTICA

Mimetic learning

03QTIIU

A.A. 2020/21

Course Language

Inglese

Course degree

Doctorate Research in Ingegneria Informatica E Dei Sistemi - Torino

Course structure
Teaching Hours
Lezioni 20
Teachers
Teacher Status SSD h.Les h.Ex h.Lab h.Tut Years teaching
Squillero Giovanni   Professore Associato ING-INF/05 20 0 0 0 8
Teaching assistant
Espandi

Context
SSD CFU Activities Area context
*** N/A ***    
Il corso introduce i principi di base di vari metodi computazionali in cui le soluzioni vengono apprese imitando i processi naturali invece che progettate. A volte raggruppate sotto il termine generico "algoritmi evolutivi", queste tecniche sono correlate, anche se chiarramente distinte, da quelle ora classificate sotto l'etichetta di "machine learning". Le soluzioni vengono cercate o costruite attraverso tentativi ed errori utilizzando approcci dal basso verso l'alto e (meta) euristiche, utilizzando meccanismi ispirati all'evoluzione naturale o ai comportamenti degli animali. Il corso pone i diversi paradigmi in una prospettiva storica; vengono evidenziate le differenze e le similitudine tra i diversi approcci, e le possibili sinergie. Questo corso fa parte di un percorso di approfondimento sul tema Data Science. Il percorso Ŕ composto da un corso introduttivo (Data Mining: Concepts and Algorithms), che introduce gli aspetti di base dell'analisi dei dati e costituisce un prerequisito culturale per i corsi successivi e 5 corsi tematici, che approfondiscono temi specifici di Data Science, quali diverse tipologie di algoritmi o di dominio applicativo: Data Analytics for Science and Society, Machine Learning for Pattern Recognition, Mimetic Learning, Text Mining and Analytics, Visualization and Visual Analytics
The course introduces the basic principles of various computational methods of data processing where solutions are learned by mimicking natural processes rather than designed. Sometimes grouped under the umbrella term "evolutionary algorithms", these techniques are closely related, yet clearly distinct, from the ones now filed under the "machine learning" label. Solutions are searched or built through trial-and-error using bottom-up approaches and (meta)heuristics, using mechanisms inspired by natural evolution or animal behaviors. The course puts the different paradigms into a historical perspective; differences and correlations among the different approaches are shown, together with the possible synergies with other paradigms. Mimetic Learning belongs to an educational path on Data Science. The path is composed by an introductory course covering data analytics fundamentals, which is a cultural prerequisite for the other courses (Data Mining: Concepts and Algorithms), and other four thematic courses dealing in depth with specific topics, algorithm types and application domains: Data Analytics for Science and Society; Machine Learning for Pattern Recognition; Text Mining and Analytics; Visualization and Visual Analytics.
Fondamenti di Python 3 o programmazione su Matlab.
Some knowledge of Python 3 or of programming under Matlab.
* Introduzione al Calcolo Evolutivo, Intelligenza Computazionale, e Machine Learning evolutivo * Paradigmi classici dell'EA (Algoritmi Genetici, Programmazione Genetica, Strategie Evolutive, and Programmazione Evolutiva) * Particle-Swarm Optimization and Ant-Colony Optimization * Differential Evolution * Estimation of Distribution Algorithm * Artificial Immune Systems * Sistemi basati su regole * Learning Classifier Systems
* Introduction to Evolutionary Computation, Computational Intelligence, and (Evolutionary) Machine Learning * Classic paradigms of EA (Genetic Algorithm, Genetic Programming, Evolution Strategies, and Evolutionary Programming) * Particle-Swarm Optimization and Ant-Colony Optimization * Differential Evolution * Estimation of Distribution Algorithm * Artificial Immune Systems * Rule-Based Systems * Learning Classifier Systems
A distanza in modalitÓ sincrona
On line synchronous mode
Presentazione orale
Oral presentation
P.D.1-1 - Dicembre
P.D.1-1 - December


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