Materiale aggiuntivo sarà consegnato dal docente tramite la pagina Elearning del corso.
Argomenti del programma: Motivazioni, componenti del problema di apprendimento e applicazioni dell'apprendimento automatico. Apprendimento supervisionato, non supervisionato e per rinforzo. - Introduzione all'apprendimento supervisionato: Dati, classi di modelli, funzioni di costo, modelli probabilistici e ipotesi sui dati. Regressione e Classificazione - Complessità di un modello, compromesso tra complessità e generalizzazione.
Materiale aggiuntivo sarà consegnato dal docente tramite la pagina Elearning del corso.
Argomenti del programma: Motivazioni, componenti del problema di apprendimento e applicazioni dell'apprendimento automatico. Apprendimento supervisionato, non supervisionato e per rinforzo. - Introduzione all'apprendimento supervisionato: Dati, classi di modelli, funzioni di costo, modelli probabilistici e ipotesi sui dati. Regressione e Classificazione - Complessità di un modello, compromesso tra complessità e generalizzazione.
Corso di laurea: Bioingegneria – sede di Padova · Laurea magistrale (LM-21) · esame facoltativo · Intelligenza Artificiale per la Salute e Ingegneria Clinica · 9 CFU
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.
Corso di laurea: Bioingegneria – sede di Padova · Laurea magistrale (LM-21) · esame facoltativo · Intelligenza Artificiale per la Salute e Ingegneria Clinica · 9 CFU
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.
Corso di laurea: Bioingegneria – sede di Padova · Laurea magistrale (LM-21) · esame facoltativo · Intelligenza Artificiale per la Salute e Ingegneria Clinica · 9 CFU
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.
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.
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.
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.
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: 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: Il corso affronta molteplici aspetti dell'apprendimento supervisionato e non supervisionato: - Introduzione all'apprendimento supervisionato: Rappresentazione dei dati, classi di modelli, funzioni di costo, modelli probabilistici e ipotesi sui dati. Regressione e Classificazione. - Complessità di un modello, compromesso tra complessità e generalizzazione. Validazione e selezione dei modelli, cross validation.
Argomenti del programma: La struttura e le tematiche dell'insegnamento saranno le seguenti: - Introduzione: Quando Applicare le Tecniche Proprie dell'Apprendimento Automatico; Paradigmi di Apprendimento Automatico; Gli ingredienti Fondamentali dell'Apprendimento Automatico. - Apprendimento supervisionato: Complessità dello Spazio delle Ipotesi; Misure di Complessità; Esempi di Algoritmi di Apprendimento Supervisionato; - Alberi di…
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.
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.
Padova · Dipartimento di Matematica "Tullio Levi-Civita" - DM · 6 CFU · apri nel catalogo
Il docente non ha ancora pubblicato i testi per questo canale.
Bacheca del docente: cosa indica di studiare
Argomenti del programma: Il corso tratta gli argomenti elencati di seguito: - Introduzione Intelligenza Artificiale ed Apprendimento Automatico, quando e perché utilizzare tecniche di Apprendimento Automatico; I diversi paradigmi di Apprendimento Automatico, caratteristiche ed applicazioni; Gli ingredienti Fondamentali dell'Apprendimento Automatico.
Argomenti del programma: La struttura e le tematiche dell'insegnamento saranno le seguenti: - Introduzione: Quando Applicare le Tecniche Proprie dell'Apprendimento Automatico; Paradigmi di Apprendimento Automatico; Gli ingredienti Fondamentali dell'Apprendimento Automatico. - Apprendimento supervisionato: Complessità dello Spazio delle Ipotesi; Misure di Complessità; Esempi di Algoritmi di Apprendimento Supervisionato; - Alberi di…
Libri Universitari