Prof. Gian Antonio Susto

Argomenti del programma: - Introduzione e definizione del problema: Il corso inizia con una panoramica del Reinforcement Learning, concentrandosi su come un agente impari a prendere decisioni sequenziali interagendo con un ambiente. Il concetto del problema del k-armed bandit viene introdotto come un quadro semplice ma potente per esplorare il compromesso tra esplorazione e sfruttamento.

Argomenti del programma: - Introduzione e definizione del problema: Il corso inizia con una panoramica del Reinforcement Learning, concentrandosi su come un agente impari a prendere decisioni sequenziali interagendo con un ambiente. Il concetto del problema del k-armed bandit viene introdotto come un quadro semplice ma potente per esplorare il compromesso tra esplorazione e sfruttamento.

Argomenti del programma: - Introduzione e definizione del problema: Il corso inizia con una panoramica del Reinforcement Learning, concentrandosi su come un agente impari a prendere decisioni sequenziali interagendo con un ambiente. Il concetto del problema del k-armed bandit viene introdotto come un quadro semplice ma potente per esplorare il compromesso tra esplorazione e sfruttamento.

Argomenti del programma: - Introduzione e definizione del problema: Il corso inizia con una panoramica del Reinforcement Learning, concentrandosi su come un agente impari a prendere decisioni sequenziali interagendo con un ambiente. Il concetto del problema del k-armed bandit viene introdotto come un quadro semplice ma potente per esplorare il compromesso tra esplorazione e sfruttamento.

Argomenti del programma: 1. Introduzione al Machine Learning: definizioni, obiettivi, principali categorie di apprendimento. Distinzione tra apprendimento supervisionato e non supervisionato. Applicazioni reali e contesto tecnologico. 2. Analisi delle fasi fondamentali di un processo di machine learning: raccolta e preparazione dei dati, scelta del modello, addestramento, validazione, testing.

Argomenti del programma: - Introduzione e definizione del problema: Il corso inizia con una panoramica del Reinforcement Learning, concentrandosi su come un agente impari a prendere decisioni sequenziali interagendo con un ambiente. Il concetto del problema del k-armed bandit viene introdotto come un quadro semplice ma potente per esplorare il compromesso tra esplorazione e sfruttamento.