Prof. Fabio Gasparetti

• Dispense a cura del docente.

Argomenti del programma: 1. Introduzione al Corso - Aree di interesse del Machine Learning. - Potenzialità dei modelli e dei metodi di ML. 2. Regressione - Introduzione alla Linear Regression. - Overfitting nella Regressione. - Regolarizzazione: Rideg Regression. - Feature Selection e Lasso. 3. Classificazione - Logistic Regression per la classificazione. - Overfitting nella Classificazione. - Boosting. Algoritmo AdaBoost. - Naïve Bayes.

Argomenti del programma: Introduzione al Deep Learning; Addestramento di architetture Deep: tecniche di hyperparameter tuning, batch normalization, faster optimizers, regularization per reti deep; Convolutional Neural Networks (CNN/ConvNets); Analisi di sequenze: Recurrent Neural Networks (GRU, LSTM, Bidirectional); Architetture Encoder-Decoder, Autoencoders, Variational Autoencoders; Attention layers ; Generative Adversarial Networks…

• Dispense a cura del docente.

Argomenti del programma: 1. Introduzione al Corso - Aree di interesse del Machine Learning. - Potenzialità dei modelli e dei metodi di ML. 2. Regressione - Introduzione alla Linear Regression. - Overfitting nella Regressione. - Regolarizzazione: Rideg Regression. - Feature Selection e Lasso. 3. Classificazione - Logistic Regression per la classificazione. - Overfitting nella Classificazione. - Boosting. Algoritmo AdaBoost. - Naïve Bayes.

Argomenti del programma: Architettura del calcolatore elettronico, Sistema operativo, Problemi algoritmi e programmi, Rappresentazione della informazione, Traduzione ed esecuzione di programmi, Ambiente di sviluppo Python, Linguaggi – sintassi e semantica, Tipi ed espressioni , Funzioni in Python , Istruzioni condizionali, Istruzioni ripetitive, Stringhe, Dizionari, Tuple e Matrici in Python, Algoritmi di ordinamento, Correttezza ,…