Prof. Matteo Amabili: Machine Learning And Artificial Intelligence
5,1difficoltà
Bologna · Facoltà: Scienze Statistiche · Greening Energy Market and Finance (LM-16)
Di cosa si tratta: Introduzione al machine learning, con passaggio dalla conoscenza ai dati, problemi supervisionati e non supervisionati, regressione e classificazione, pipeline dei dati e basi di Python. Il preprocessing comprende normalizzazione, variabili categoriche, outlier, feature engineering e riduzione della dimensionalità con PCA, con esempi in sklearn. La regressione lineare stima i coefficienti con minimi quadrati e massima verosimiglianza.
Verifica nel regolamento d'esame se la calcolatrice è ammessa e di che tipo. Link affiliati Amazon di ricerca: il prezzo per te non cambia.
Domande possibili all’esame
Qual è la differenza tra apprendimento supervisionato e non supervisionato in termini di dati disponibili?
Che cosa si intende per apprendimento per rinforzo e quali elementi lo definiscono?
Come si spiega il compromesso tra bias e varianza nella scelta della complessità di un modello?
Quali metriche si usano per valutare un classificatore quando le classi sono sbilanciate?
Come si calcola la precisione e il richiamo a partire dalla matrice di confusione?
Quali sono le caratteristiche della curva ROC e come si interpreta l'area sottesa?
Come funziona l'algoritmo k-NN e quale ruolo ha la scelta del parametro k?
Perché una macchina a vettori di supporto cerca il margine massimo tra le classi?
Come si applica la discesa del gradiente per minimizzare una funzione di perdita convessa?
Qual è la differenza tra una rete neurale feed-forward e una rete ricorrente nella gestione di sequenze?
Come si addestra un percettrone e quando l'algoritmo di apprendimento converge?
Quali vantaggi offrono le reti convoluzionali nell'elaborazione di dati con struttura spaziale?
Che cosa fa la retropropagazione dell'errore e come utilizza la regola della catena?
Quali sono le principali differenze tra metodi di ricerca in ampiezza e in profondità su uno spazio degli stati?
Come funziona l'algoritmo A* e quale proprietà della funzione euristica ne garantisce l'ottimalità?
Che cosa si intende per potatura alfa-beta in un albero di gioco a due giocatori?
Come si scrive una formula di logica proposizionale in forma normale congiuntiva?
In che modo il processo decisionale di Markov descrive un problema di scelta sequenziale?
Come si usa l'algoritmo Q-learning per stimare il valore delle azioni in un ambiente sconosciuto?
Quali criteri si usano per scegliere tra regolarizzazione e riduzione del numero di variabili in un modello predittivo?
Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.
Domande frequenti Libri, programma ed esami del prof. Matteo Amabili a Bologna
Che libro usa il prof. Matteo Amabili per Machine Learning And Artificial Intelligence a Bologna?
Per Machine Learning And Artificial Intelligence (Canale unico) indica come obbligatorio: James – An introduction to statistical learning, Data mining, inference, and prediction, Rogers – A first course in machine learning.
Quanto è impegnativo Machine Learning And Artificial Intelligence?
6 CFU, difficoltà stimata 5.1 su 10 rispetto agli esami della stessa area.
Dove trovo la scheda ufficiale di un esame?
Ogni insegnamento qui sopra ha il link alla scheda ufficiale dell’ateneo: controllala sempre prima di acquistare.
Sei uno studente tra i 18 e i 22 anni?Con Prime Student hai 90 giorni gratis, poi Amazon Prime a soli 2,49 € al mese: consegne veloci e gratuite anche sui libri.Scopri Prime Student ›
Controlla sempre la scheda dell'esame. Le informazioni vengono dalle schede ufficiali degli atenei e possono cambiare o contenere errori: prima di acquistare verifica i testi sulla scheda ufficiale dell'esame (la trovi linkata in ogni esame) e, nel dubbio, chiedi al docente.
Aiutaci a tenerci aggiornati
Il prof ha indicato altri libri, pagine o modifiche? Scrivicelo.
Questo sito usa solo strumenti tecnici (nessun cookie di profilazione). I link ai negozi sono link di affiliazione. Cookie policy · Privacy