Fondamenti di Machine Learning

Laurea Triennale in Ingegneria delle Comunicazioni (2023-2024)

Informazioni

	Classroom: tutti gli studenti devono registrarsi alla pagina di Google Classroom per rimanere aggiornati.
	Timetable: Martedì 8-10 (Aula 22 Aula 30), Giovedì 5-7 (Aula 10).

News

• Gli orari delle lezioni saranno comunicati appena disponibile il calendario didattico del secondo semestre.

Overview del corso

Il corso è una introduzione al campo dell’apprendimento automatico (machine learning). La prima parte del corso richiama concetti necessari di Python, algebra lineare, ed ottimizzazione (nessuna conoscenza pregressa è necessaria).

Vedremo in seguito diversi algoritmi di apprendimento supervisionato: modelli lineari, reti neurali, k-NN, ed alberi decisionali. In seguito, introdurremo esempi di apprendimento non supervisionato (clustering, riduzione della dimensionalità), ed alcuni argomenti di interesse generale (preprocessamento dei dati, valutazione dei modelli, fairness, interpretabilità).

Il corso è corredato da numerosi laboratori in cui esploreremo scikit-learn, PyTorch (cenni), ed altre librerie di interesse.

Materiale

Le esercitazioni sono in blu.

	Data	Argomento	Materiale
L0	27/02	Informazioni sul corso	Slides
L1	27/02	Introduzione	Slides
E1	29/02	Introduzione a Python	Notebook
L2	05/03, 07/03, 12/03	Preliminari	Slides Taylor approximation (script)
E2	19/03	Introduzione a NumPy	Notebook
L3	14/03, 21/03	Apprendimento supervisionato e regressione lineare	Slides Least-squares (script)
E3	04/04	Least-squares regression	Notebook
L4	26/03	k-nearest neighbors ed overfitting	Slides k-NN per classificazione (script)
E4	11/04	k-nearest neighbors in NumPy	Notebook
L5	16/04	Regressione logistica e Naive Bayes	Slides Naive Bayes (script)
L6	TBD	Data preprocessing e model evaluation	Slides