163192 - MACHINE LEARNING E DATA MINING

insegnamento

ID:

163192

Tipo Insegnamento:

Obbligatorio

Durata (ore):

64

CFU:

SSD:

SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI

Url:

Dettaglio Insegnamento:

INTELLIGENZA ARTIFICIALE, DATA SCIENCE E BIG DATA/PERCORSO COMUNE Anno: 1

Anno:

2024

Periodo di attività

Primo Semestre (19/09/2024 - 17/12/2024)

Obiettivi Formativi

L'obiettivo principale del corso consiste nel fornire allo studente i fondamenti teorici, le caratteristiche e i casi d’uso delle tecniche di apprendimento automatico supervisionato e non supervisionato. In particolare classificazione, regressione, clustering e scoperta di regole, tramite metodi e librerie software specifiche per machine learning e data mining.
Le principali abilità (ossia la capacità di applicare le conoscenze acquisite) saranno:
- capacità di applicare metodi di classificazione e regressione per modellare problemi di machine learning supervisionato;
- capacità di applicare metodi di clustering e data mining per risolvere problemi di machine learning non supervisionato.

Prerequisiti

L’insegnamento richiede come prerequisito la conoscenza dei concetti base della programmazione e di almeno un linguaggio di programmazione di alto livello (imperativo o a oggetti), e l’aver seguito il corso di Fondamenti di Intelligenza Artificiale e Rappresentazione della conoscenza.

Metodi didattici

l corso è organizzato in:
- lezioni frontali in aula su tutti gli argomenti del corso;
- esercitazioni nei laboratori di informatica per il progetto di modelli di apprendimento automatico e la risoluzione di problemi di data mining
Video-lezioni asincrone sono disponibili sul Google classroom del corso.

Verifica Apprendimento

L’obiettivo della prova d’esame è verificare il livello di apprendimento raggiunto sui contenuti del corso. La prova d'esame consiste in una prova scritta, della durata di 90 minuti, composta di brevi esercizi e domande teoriche che possono vertere su tutti gli argomenti trattati nel corso.
Il punteggio totale per la prova scritta è di 32 punti, con una soglia di sufficienza posta a 18/32. Con punteggio superiore a 30 il voto finale è 30/30 e lode. Durante lo svolgimento della prova non è concesso consultare testi, appunti o altra fonte di informazione.

Lo studente può ripetere la prova scritta, ma i voti conseguiti in precedenza vengono annullati.

E' possibile, su richiesta dello studente, svolgere una prova orale basata sull'approfondimento di una tematica di ricerca, attraverso l'esposizione del contenuto di pubblicazioni scientifiche scelte dal docente. La prova orale viene richiesta al docente via email e può modificare il voto dello scritto nel range [-2, +2].

Testi

Peter Flach, “Machine Learning The Art and Science of Algorithms that Make Sense of Data”, Cambridge University Press, 2012
Tom M. Mitchell, “Machine Learning”, McGraw-Hill, 1997
Ian Witten, Eibe Frank, “Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations”, ultima edizione, Morgan Kaufmann Publishers
Hal Daumé III, A Course in Machine Learning, http://www.ciml.info/

Contenuti

Il corso prevede 64 ore di didattica frontale e esercitazioni di laboratorio sulle seguenti tematiche:

Introduzione al Machine Learning: cenni storici, principali campi applicativi, paradigmi di apprendimento, apprendimento di concetti e ordinamento da generale a specifico, apprendimento di regole proposizionali
L’uso dei dati nel Machine Learning: training, validazione e test; generalizzazione, underfitting e overfitting; capacità; bias e varianza
Metriche di valutazione delle performance di modelli

Classificazione e regressione con modelli basati su alberi (Alberi decisionali, Random forest), Naive Bayes classifier, K-nearest Neighbors, metodi Kernel; Ensemble learning, boosting, bagging

Dimensionality reduction

Clustering (k-means, Expectation Maximization, metodi gerarchici e probabilistici)

Introduzione al Data Mining
Regole associative e APRIORI

Laboratorio: libreria scikit-learn e linguaggio Python