Machine Learning: a probabilistic perspective. , Autori: Murphy,

Argomenti del programma: Parte I – Introduzione - Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato - Modello statistico dell'apprendimento e teoria PAC. - Modelli lineari per regressione e classificazione. - Gradient Descent e Stochastic Gradient Descent. - Compromesso bias-varianza, selezione del modello e validazione.

Argomenti del programma: Parte I – Introduzione - Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato - Modello statistico dell'apprendimento e teoria PAC. - Modelli lineari per regressione e classificazione. - Gradient Descent e Stochastic Gradient Descent. - Compromesso bias-varianza, selezione del modello e validazione.

Argomenti del programma: Parte I – Introduzione - Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato - Modello statistico dell'apprendimento e teoria PAC. - Modelli lineari per regressione e classificazione. - Gradient Descent e Stochastic Gradient Descent. - Compromesso bias-varianza, selezione del modello e validazione.

Argomenti del programma: Parte I – Introduzione - Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato - Modello statistico dell'apprendimento e teoria PAC. - Modelli lineari per regressione e classificazione. - Gradient Descent e Stochastic Gradient Descent. - Compromesso bias-varianza, selezione del modello e validazione.

Argomenti del programma: Parte I – Introduzione - Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato - Modello statistico dell'apprendimento e teoria PAC. - Modelli lineari per regressione e classificazione. - Gradient Descent e Stochastic Gradient Descent. - Compromesso bias-varianza, selezione del modello e validazione.

Argomenti del programma: Parte I – Introduzione - Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato - Modello statistico dell'apprendimento e teoria PAC. - Modelli lineari per regressione e classificazione. - Gradient Descent e Stochastic Gradient Descent. - Compromesso bias-varianza, selezione del modello e validazione.

Argomenti del programma: Parte I – Introduzione - Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato - Modello statistico dell'apprendimento e teoria PAC. - Modelli lineari per regressione e classificazione. - Gradient Descent e Stochastic Gradient Descent. - Compromesso bias-varianza, selezione del modello e validazione.

Argomenti del programma: Parte I – Introduzione 1 Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato 2 Modello statistico dell'apprendimento e teoria PAC. 3 Modelli lineari per regressione e classificazione. 4 Gradient Descent e Stochastic Gradient Descent. 5 Compromesso bias-varianza, selezione del modello e validazione.