Libri UniversitariProf. Gabriele Costante
Università degli Studi di Perugia · Ingegneria · libri consigliati e cosa studiare, a.a. 2026/2027
Libri adottati dal prof. Gabriele Costante
- Hastie – The Elements of Statistical Learning – Machine Learning And Data Analysis (Ingegneria elettronica, 1º anno · 1º semestre · 9 CFU)
- Bishop – Pattern Recognition and Machine Learning – Machine Learning And Data Analysis (Ingegneria elettronica, 1º anno · 1º semestre · 9 CFU)
- James – An Introduction to Statistical Learning, with application… – Machine Learning And Data Analysis (Ingegneria elettronica, 1º anno · 1º semestre · 9 CFU)
- Cristianini – An Introduction to Support Vector Machines – Machine Learning And Data Analysis (Ingegneria elettronica, 1º anno · 1º semestre · 9 CFU)
- Duda – Pattern Classification – Machine Learning And Data Analysis (Ingegneria elettronica, 1º anno · 1º semestre · 9 CFU)
- Richard Szeliski – Computer Vision – Deep Learning (Ingegneria informatica e robotica, 2º anno · 1º semestre · Data science e data engineering · 6 CFU)
- Ian Goodfellow – Deep Learning – Deep Learning (Ingegneria informatica e robotica, 2º anno · 1º semestre · Data science e data engineering · 6 CFU)
- Richard Szeliski – Computer Vision – Deep Learning And Robot Perception (Ingegneria informatica e robotica, 2º anno · 1º semestre · Robotics · 9 CFU)
- Ian Goodfellow – Deep Learning – Deep Learning And Robot Perception (Ingegneria informatica e robotica, 2º anno · 1º semestre · Robotics · 9 CFU)
Materie del prof. Gabriele Costante
Machine Learning And Data Analysis Canale unico
Corso di laurea: Ingegneria elettronica · Laurea magistrale (LM-29) · 1º anno · 1º semestre · 9 CFU
Il docente indica 5 testi · da studiare tutti
Bacheca del docente: cosa indica di studiare
- Dispense a cura del docente disponibili su UNISTUDIUM - PIATTAFORMA DI E-LEARNING DELL'UNIVERSITÀ DEGLI STUDI DI PERUGIA )
Machine Learning And Data Analysis Canale unico
Corso di laurea: Ingegneria informatica e robotica · Laurea magistrale (LM-32) · 1º anno · 1º semestre · 9 CFU
Il docente indica 5 testi · da studiare tutti
Bacheca del docente: cosa indica di studiare
- Dispense a cura del docente disponibili su UNISTUDIUM - PIATTAFORMA DI E-LEARNING DELL'UNIVERSITÀ DEGLI STUDI DI PERUGIA )
Deep Learning Canale unico
Corso di laurea: Ingegneria informatica e robotica · Laurea magistrale (LM-32) · 2º anno · 1º semestre · Data science e data engineering · 6 CFU
Il docente indica 2 testi · da studiare tutti
Bacheca del docente: cosa indica di studiare
- Dispense a cura del docente disponibili su UNISTUDIUM - PIATTAFORMA DI E-LEARNING DELL'UNIVERSITÀ DEGLI STUDI DI PERUGIA )
Deep Learning And Robot Perception Canale unico
Corso di laurea: Ingegneria informatica e robotica · Laurea magistrale (LM-32) · 2º anno · 1º semestre · Robotics · 9 CFU
Il docente indica 2 testi · da studiare tutti
Bacheca del docente: cosa indica di studiare
- Dispense a cura del docente disponibili su UNISTUDIUM - PIATTAFORMA DI E-LEARNING DELL'UNIVERSITÀ DEGLI STUDI DI PERUGIA )
Domande frequenti
Quali libri consiglia il prof. Gabriele Costante per Machine Learning And Data Analysis (Ingegneria elettronica, canale unico)?
Hastie – The Elements of Statistical Learning; Bishop – Pattern Recognition and Machine Learning; James – An Introduction to Statistical Learning, with application…; Cristianini – An Introduction to Support Vector Machines; Duda – Pattern Classification
Quali libri consiglia il prof. Gabriele Costante per Machine Learning And Data Analysis (Ingegneria informatica e robotica, canale unico)?
Hastie – The Elements of Statistical Learning; Bishop – Pattern Recognition and Machine Learning; James – An Introduction to Statistical Learning, with application…; Cristianini – An Introduction to Support Vector Machines; Duda – Pattern Classification
Quali libri consiglia il prof. Gabriele Costante per Deep Learning?
Richard Szeliski – Computer Vision; Ian Goodfellow – Deep Learning
Quali libri consiglia il prof. Gabriele Costante per Deep Learning And Robot Perception?
Richard Szeliski – Computer Vision; Ian Goodfellow – Deep Learning