MACHINE LEARNING

MACHINE LEARNING

_
iten
Ultimo aggiornamento 09/05/2021 11:13
Codice
98959
ANNO ACCADEMICO
2021/2022
CFU
6 cfu al 2° anno di 9269 INGEGNERIA MECCANICA - PROGETTAZIONE E PRODUZIONE (LM-33) GENOVA
SETTORE SCIENTIFICO DISCIPLINARE
INF/01
LINGUA
Inglese
SEDE
GENOVA (INGEGNERIA MECCANICA - PROGETTAZIONE E PRODUZIONE)
periodo
1° Semestre
materiale didattico

PRESENTAZIONE

Il corso fornisce conoscenze di base riguardo a tecniche di machine learning, classiche ed attuali, che possono vantaggiosamente essere applicate in campi diversificati come l'automazione delle linee di produzione, il controllo di qualità, la robotica, la sorveglianza, i veicoli a guida automatica, e molti altri. 

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Questo corso fornisce una introduzione alle discipline dell'apprendimento automatico e pattern recognition statistica. Gli argomenti comprendono: (1) Elementi e teoria della pattern recognition. (2) Apprendimento supervisionato: concetti e metodi. (3) Apprendimento non supervisionato: concetti e alcuni metodi rappresentativi. (4) Metodo di lavoro e buone pratiche in apprendimento automatico. Il corso presenterà anche casi di problemi risolti con successo e possibili applicazioni e casi di studio nei campi della robotica e della automazione industriale intelligente

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Lo studente che abbia seguito il corso con profitto sarà in grado di:

  • dimonstrare la conoscenza di un insieme di tecniche e problemi in machine learning e pattern recognition, comprese le motivazioni scientifiche e tecnlogiche alla base
  • applicare alcune tecniche a problemi significativi
  • programmare metodi di machine learning di complessità da bassa a intermedia usando strumenti di programmazione software standard, senza essere vincolato all'uso di librerie
  • affrontare il workflod di un compito di machine learning dalla manipolazione dei dati alla presentazione dei risultati
  • usare il pensiero critico per analizzare un problema e scegliere il metodo di machine learning più appropriato da applicare

PREREQUISITI

  • Conoscenze di base di calcolo, algebra lineare, geometra, tipicamente acquisite al primo o al secondo anno di un corso di studi in ingegneria.
  • Conoscenze di base, ma operative, di programmazione Matlab o Python

Ulteriori argomenti di base (elementi di probabilità, di statistica, di ottimizzazione) verranno forniti durante il corso.

Modalità didattiche

Lezioni, laboratori guidati, compiti a casa assegnati

PROGRAMMA/CONTENUTO

  • Introduction, basic concepts, types of problems
  • Linear thershold classifiers
  • Probabilities; Bayesian decision theory (the Naive bayes classifier)
  • Linear regression as a simple learning problem
  • Optimisation (convexity, criteria, gradient descent, stochastic methods)
  • Statistics and learning (sampling, parameter estimation)
  • Parametric and non-parametric methods (Gaussian mixtures, nearest neighbour rules, decision trees/forests)
  • Evaluation of classifiers (methodology, quality indices)
  • Neural networks (history, perceptrons, multilayer perceptrons, the error back-propagation algorithm, deep learning)
  • Unsupervised learning (clustering methods)
  • Mapping and input space transformations (PCA, nonlinear embedding methods, kernel methods, support vector machines)

TESTI/BIBLIOGRAFIA

Slide/dispense del corso

Per una bibliografia dettagliata fare riferimento alla pagina Aulaweb del corso (da https://corsi.unige.it/9269#chapter-5 aprire Manifesto degli Studi, cercare Machine Learning e cliccare)

DOCENTI E COMMISSIONI

Ricevimento: - A disposizione per 20 minuti dopo ciascuna lezione - Su appuntamento.

LEZIONI

Modalità didattiche

Lezioni, laboratori guidati, compiti a casa assegnati

ORARI

L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.

ESAMI

Modalità d'esame

Scritto, pratica

Modalità di accertamento

- Esercitazioni in itinere (50%)

- Quiz finale (50%)