Prof. Michele La Rocca

Argomenti del programma: MODELLI DI REGRESSIONE, MODELLI PREDITTIVI E MODELLI ANALITICI. MODELLI PROBABILISTICI PER DATI NON-GAUSSIANI. LA FAMIGLIA ESPONENZIALE. MODELLI LINEARI GENERALIZZATI (GLM) (10H). MODELLI DI REGRESSIONE PER DATI GAUSSIANI E PER DATI CONTINUI NON-GAUSSIANI. (8H) MODELLI PER DATI BINARI E CATEGORIALI (10H). MODELLI PER DATI CONTEGGIO. TWO-PART MODELS (8H). MODELLI LINEARI E GLM PER BIG DATA.

• PER RISPONDERE IN MANIERA FLESSIBILE ALLE SPECIFICHE ESIGENZE DI OGNI SINGOLO STUDENTE, IL DOCENTE PUÒ CONSIGLIARE LETTURE ALTERNATIVE O AGGIUNTIVE AGLI STUDENTI CHE NE FARANNO RICHIESTA.

Argomenti del programma: MODELLI ISPIRATI ALLE RETI NEURALI BIOLOGICHE ED ALCUNI CENNI STORICI SULLA LORO EVOLUZIONE. RETI NEURALI SHALLOW E DEEP. RETI NEURALI RICORRENTI. APPLICAZIONI DELL'INTELLIGENZA ARTIFICIALE E PROBLEMI NOTEVOLI (4H). TEOREMI DI APPROSSIMAZIONE UNIVERSALE. FUNZIONI DI ATTIVAZIONE E FUNZIONI DI PERDITA (4H). RETI NEURALI E REGRESSIONE.

• PER RISPONDERE IN MANIERA FLESSIBILE ALLE SPECIFICHE ESIGENZE DI OGNI SINGOLO STUDENTE, IL DOCENTE SI RISERVA LA POSSIBILITÀ DI CONSIGLIARE LETTURE ALTERNATIVE O AGGIUNTIVE DURANTE LE LEZIONI AGLI STUDENTI CHE NE FARANNO RICHIESTA.

Argomenti del programma: ANALISI DEI DATI E BIG DATA. BIG DATA: POTENZIALE E PROBLEMI. LE CARATTERISTICHE DEI BIG DATA E LE CONSEGUENZE SUI METODI DI ANALISI DEI DATI. APPROCCI DI ANALISI DI TIPO MAPREDUCE, DIVIDE & CONQUER, SPLIT-APPLY-COMBINE (6H). PROGRAMMAZIONE FUNZIONALE IN R. HADOOP E SPARK. USO DI SPARK IN R. IL PACKAGE SPARKLYR (6H). DATA WRANGLING SU LARGE DATASETS E DATASETS DISTRIBUITI.