Prof. Fabio Galasso: i libri dei suoi insegnamenti

1. Che cosa distingue l'apprendimento supervisionato dall'apprendimento non supervisionato?
2. Come agisce la regolarizzazione L2 sul problema di ottimizzazione di un modello lineare?
3. Perché la validazione incrociata fornisce una stima più affidabile dell'errore di generalizzazione?
4. Come si spiega il compromesso tra bias e varianza nella scelta della complessità di un modello?
5. In che modo il gradiente stocastico differisce dal gradiente calcolato su tutto il dataset?
6. Quali vantaggi presentano le foreste casuali rispetto a un singolo albero decisionale?
7. Come si interpreta la funzione di perdita entropia incrociata in un problema di classificazione?
8. Che cosa rappresenta un kernel nelle macchine a vettori di supporto?
9. Come si calcola la matrice di confusione e quali metriche si ricavano da essa?
10. In quali casi l'analisi delle componenti principali è utile per ridurre la dimensionalità dei dati?
11. Come si applica il metodo dell'early stopping per prevenire il sovradattamento?
12. Quali differenze esistono tra un modello generativo e uno discriminativo?
13. Come funziona il boosting e perché tende a ridurre l'errore di bias?
14. Perché la normalizzazione dei dati è spesso necessaria prima dell'addestramento?
15. Che cosa indica la curva ROC e come si legge l'area sottesa ad essa?
16. Come si gestisce un dataset sbilanciato nella fase di addestramento di un classificatore?
17. Quali ipotesi sono richieste dal modello di regressione logistica?
18. In che modo la discesa del gradiente con momento accelera la convergenza in una valle stretta?
19. Come si valuta la capacità di un modello di generalizzare su dati mai osservati durante l'addestramento?
20. Quali criteri guidano la scelta degli iperparametri in una ricerca su griglia rispetto a una ricerca casuale?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa distingue l'apprendimento supervisionato dall'apprendimento non supervisionato?
2. Come agisce la regolarizzazione L2 sul problema di ottimizzazione di un modello lineare?
3. Perché la validazione incrociata fornisce una stima più affidabile dell'errore di generalizzazione?
4. Come si spiega il compromesso tra bias e varianza nella scelta della complessità di un modello?
5. In che modo il gradiente stocastico differisce dal gradiente calcolato su tutto il dataset?
6. Quali vantaggi presentano le foreste casuali rispetto a un singolo albero decisionale?
7. Come si interpreta la funzione di perdita entropia incrociata in un problema di classificazione?
8. Che cosa rappresenta un kernel nelle macchine a vettori di supporto?
9. Come si calcola la matrice di confusione e quali metriche si ricavano da essa?
10. In quali casi l'analisi delle componenti principali è utile per ridurre la dimensionalità dei dati?
11. Come si applica il metodo dell'early stopping per prevenire il sovradattamento?
12. Quali differenze esistono tra un modello generativo e uno discriminativo?
13. Come funziona il boosting e perché tende a ridurre l'errore di bias?
14. Perché la normalizzazione dei dati è spesso necessaria prima dell'addestramento?
15. Che cosa indica la curva ROC e come si legge l'area sottesa ad essa?
16. Come si gestisce un dataset sbilanciato nella fase di addestramento di un classificatore?
17. Quali ipotesi sono richieste dal modello di regressione logistica?
18. In che modo la discesa del gradiente con momento accelera la convergenza in una valle stretta?
19. Come si valuta la capacità di un modello di generalizzare su dati mai osservati durante l'addestramento?
20. Quali criteri guidano la scelta degli iperparametri in una ricerca su griglia rispetto a una ricerca casuale?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa distingue l'apprendimento supervisionato dall'apprendimento non supervisionato?
2. Come agisce la regolarizzazione L2 sul problema di ottimizzazione di un modello lineare?
3. Perché la validazione incrociata fornisce una stima più affidabile dell'errore di generalizzazione?
4. Come si spiega il compromesso tra bias e varianza nella scelta della complessità di un modello?
5. In che modo il gradiente stocastico differisce dal gradiente calcolato su tutto il dataset?
6. Quali vantaggi presentano le foreste casuali rispetto a un singolo albero decisionale?
7. Come si interpreta la funzione di perdita entropia incrociata in un problema di classificazione?
8. Che cosa rappresenta un kernel nelle macchine a vettori di supporto?
9. Come si calcola la matrice di confusione e quali metriche si ricavano da essa?
10. In quali casi l'analisi delle componenti principali è utile per ridurre la dimensionalità dei dati?
11. Come si applica il metodo dell'early stopping per prevenire il sovradattamento?
12. Quali differenze esistono tra un modello generativo e uno discriminativo?
13. Come funziona il boosting e perché tende a ridurre l'errore di bias?
14. Perché la normalizzazione dei dati è spesso necessaria prima dell'addestramento?
15. Che cosa indica la curva ROC e come si legge l'area sottesa ad essa?
16. Come si gestisce un dataset sbilanciato nella fase di addestramento di un classificatore?
17. Quali ipotesi sono richieste dal modello di regressione logistica?
18. In che modo la discesa del gradiente con momento accelera la convergenza in una valle stretta?
19. Come si valuta la capacità di un modello di generalizzare su dati mai osservati durante l'addestramento?
20. Quali criteri guidano la scelta degli iperparametri in una ricerca su griglia rispetto a una ricerca casuale?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa distingue l'apprendimento supervisionato dall'apprendimento non supervisionato?
2. Come agisce la regolarizzazione L2 sul problema di ottimizzazione di un modello lineare?
3. Perché la validazione incrociata fornisce una stima più affidabile dell'errore di generalizzazione?
4. Come si spiega il compromesso tra bias e varianza nella scelta della complessità di un modello?
5. In che modo il gradiente stocastico differisce dal gradiente calcolato su tutto il dataset?
6. Quali vantaggi presentano le foreste casuali rispetto a un singolo albero decisionale?
7. Come si interpreta la funzione di perdita entropia incrociata in un problema di classificazione?
8. Che cosa rappresenta un kernel nelle macchine a vettori di supporto?
9. Come si calcola la matrice di confusione e quali metriche si ricavano da essa?
10. In quali casi l'analisi delle componenti principali è utile per ridurre la dimensionalità dei dati?
11. Come si applica il metodo dell'early stopping per prevenire il sovradattamento?
12. Quali differenze esistono tra un modello generativo e uno discriminativo?
13. Come funziona il boosting e perché tende a ridurre l'errore di bias?
14. Perché la normalizzazione dei dati è spesso necessaria prima dell'addestramento?
15. Che cosa indica la curva ROC e come si legge l'area sottesa ad essa?
16. Come si gestisce un dataset sbilanciato nella fase di addestramento di un classificatore?
17. Quali ipotesi sono richieste dal modello di regressione logistica?
18. In che modo la discesa del gradiente con momento accelera la convergenza in una valle stretta?
19. Come si valuta la capacità di un modello di generalizzare su dati mai osservati durante l'addestramento?
20. Quali criteri guidano la scelta degli iperparametri in una ricerca su griglia rispetto a una ricerca casuale?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Quali architetture di reti neurali profonde sono usate nella visione computerizzata?
2. Come funzionano le reti convoluzionali e quali operazioni le caratterizzano?
3. Che cosa si intende per funzione di perdita e come si sceglie per un problema di classificazione?
4. Come si previene l'overfitting in una rete neurale profonda?
5. Che cosa si intende per regolarizzazione con dropout e come agisce durante l'addestramento?
6. Come si usa il transfer learning per adattare un modello pre-addestrato a un nuovo compito?
7. Quali sono i principali metodi di rilevazione di oggetti in un'immagine?
8. Come si valuta un modello di segmentazione semantica con metriche appropriate?
9. Che cosa si intende per mappa delle caratteristiche e come si ottiene in una rete convoluzionale?
10. Come funzionano i meccanismi di attenzione nei modelli per immagini e testi?
11. Quali differenze esistono tra reti generative avversarie e autoencoder variazionali?
12. Come si addestra una rete neurale con la retropropagazione dell'errore?
13. Quali tecniche si usano per l'ottimizzazione dei pesi di una rete profonda?
14. Come si gestisce lo sbilanciamento delle classi in un problema di classificazione?
15. Che cosa si intende per stima della profondità e quali metodi la realizzano a partire da immagini singole?
16. Come si applicano le reti neurali ricorrenti a dati sequenziali?
17. Quali metriche si usano per valutare un classificatore di immagini in presenza di più classi?
18. Come si interpretano le decisioni di una rete neurale profonda?
19. Quali considerazioni etiche vanno fatte nell'uso di modelli di visione su persone?
20. Come si scelgono gli iperparametri di una rete neurale con una ricerca sistematica?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.