Cristianini – Kernel Methods for Pattern Analysis

• Materiale proiettato a lezione.

Argomenti del programma: Modulo 2 Capitolo 11 - Artificial Neural Networks and Backpropagation Capitolo 12 - Convolutional Neural Networks Capitolo 13 - Recurrent Neural Networks and Sequence Models Capitolo 14 - Deep Unsupervised Learning (GAN, VAE, Diffusion Models) Capitolo 15 - Deep Reinforcement Learning Capitolo 16 – Introduction to Foundation Models

Argomenti del programma: Introduzione all'apprendimento automatico: aspetti dello sviluppo di un sistema di apprendimento automatico, modalità e tipi di problemi di apprendimento, alberi di decisione, stima con primi vicini. Basi matematiche: algebra lineare, teoria della probabilità, test statistici. Stima dei parametri a massima verosimiglianza e Bayesiana. Modelli grafici probabilistici, inferenza, apprendimento di parametri e struttura.

• Materiale proiettato a lezione.

Argomenti del programma: Modulo 2 Capitolo 11 - Artificial Neural Networks and Backpropagation Capitolo 12 - Convolutional Neural Networks Capitolo 13 - Recurrent Neural Networks and Sequence Models Capitolo 14 - Deep Unsupervised Learning (GAN, VAE, Diffusion Models) Capitolo 15 - Deep Reinforcement Learning Capitolo 16 – Introduction to Foundation Models

Argomenti del programma: Introduzione all'apprendimento automatico: aspetti dello sviluppo di un sistema di apprendimento automatico, modalità e tipi di problemi di apprendimento, alberi di decisione, stima con primi vicini. Basi matematiche: algebra lineare, teoria della probabilità, test statistici. Stima dei parametri a massima verosimiglianza e Bayesiana. Modelli grafici probabilistici, inferenza, apprendimento di parametri e struttura.

Argomenti del programma: Introduzione all'apprendimento automatico: aspetti dello sviluppo di un sistema di apprendimento automatico, modalità e tipi di problemi di apprendimento, alberi di decisione, stima con primi vicini. Basi matematiche: algebra lineare, teoria della probabilità, test statistici. Stima dei parametri a massima verosimiglianza e Bayesiana. Modelli grafici probabilistici, inferenza, apprendimento di parametri e struttura.