A.A. 2018-2019


Avvisi

  • 2 Ottobre 2018: Inizio delle lezioni
  • Iscrizione al corso: inviare una mail all'indirizzo ml@ing.uniroma3.it con nome, cognome e matricola
  • Prova Intermedia: Mercoledì 19 Dicembre 2018, ore 17:00, Aula N10
  • Risultati Prova Intermedia


Obiettivi Formativi

Il corso consentirà agli studenti di approfondire i metodi e gli algoritmi tipici del Machine Learning, sia quelli supervisionati sia non supervisionati, e di utilizzarli come strumenti per lo sviluppo di tecnologie innovative. In particolare, verranno studiati aspetti avanzati delle principali aree della disciplina, tra cui il predictive learning, ossia la regressione e la classificazione, e il clustering & retrieval. Verranno poi studiati nel dettaglio metodi e tecniche di deep learning, di grande interesse sia teorico che pratico. Verranno inoltre utilizzati, oltre al linguaggio Python, strumenti di sviluppo specializzati (e.g., TensorFlow di Google) su macchina dedicata, basata su piattaforma di elaborazione in parallelo (GPU based), ai fini della esposizione di casi di studio e della realizzazione di progetti d’interesse. Essi saranno relativi ad es. a come analizzare grandi e complessi dataset (e.g., applicazioni per il Data Mining e la Data Science), creare sistemi che si adattano e migliorano con il tempo (e.g., Recommender Systems), costruire applicazioni intelligenti in grado di effettuare previsioni su vari domíni applicativi a partire dai dati disponibili, ecc.


Programma del Corso

1. Regression
Il problema del predictive learning
Richiami di Linear Regression
Overfitting nella regressione
Ridge Regression, Feature Selection e Lasso

2. Classification
Richiami di Logistic Regression per la classificazione
Overfitting nella Classificazione
Boosting, Algoritmo AdaBoost
Support Vector Machine (Large Margin Classification, Kernel I, Kernel II)
Naïve Bayes

3. Dimensionality Reduction 
Compressione e visualizzazione dei dati
Principal Component Analysis (PCA)
Scelta del numero di componenti principali
Applicazioni nei Recommender Systems

4. Deep Learning
Deep Forward Networks
Regularization per il Deep Learning
Convolutional Networks
Applicazioni varie

5. Casi di Studio e Progetti
Si esporranno vari casi di studio e si proporranno progetti in cui applicare le nozioni apprese su vari domíni d’interesse.


Materiale Didattico

  • Dispense a cura del docente


Forum


Lezioni (Martedì e Giovedì 14:00-16:00)

Elenco argomenti trattati e Materiale Didattico

# Data Argomento Slide
1 2 Ottobre (mar)     - Introduzione al Corso, Richiami di Regression


2
4 Ottobre (gio)     - Overfitting, Ridge Regression

Regression - Ridge
3 9 Ottobre (mar)     - Regression: FS & Lasso

4 11 Ottobre (gio)     - Dimostrazioni Lasso

5 16 Ottobre (mar)     - Classification: Boosting & AdaBoost

6 23 Ottobre (mar)     - Classificatore di Bayes

7
25 Ottobre (gio)     - Classificatore di Bayes

8
6 Novembre (mar)     - Classificatore di Bayes
"

9
8 Novembre (gio)     - Support Vector Machine

10
13 Novembre (mar)     - Support Vector Machine

11
15 Novembre (gio)     - Support Vector Machine

SVM(3)
12
20 Novembre (mar)     - Deep Learning: Intro

DL Intro
Keras Codelab + Regression
13
22 Novembre (gio)     - DL: Softmax e Onehot

DL Softmax
Py. Softmax
DL Onehot
Py. Onehot
Keras Softmax classification
14
27 Novembre (mar)     - DL: Tecniche di Apprendimento

DL: Normalizzazione
Py. Num Stability
DL: Datasets MNIST
DL: Richiami Valutazione
Py. notMNIST e Log.Reg.
Keras MNIST e MLP
DL: Tech. Apprendimento
Keras Tech. Apprendimento
15
29 Novembre (gio)     - DL: RELU e Regolarizzazione

DL: ReLU e Regolarizzazione
Keras Regolarizzazione
16
4 Dicembre (mar)     - DL: Convnets

DL: Convnets
Keras Fashion MNIST e CNN
Keras LeNet
17
6 Dicembre (gio)     - Seminario prof. Kuflik: "Machine Learning Applications to Real-Life Problems"

Slide(1)
Slide(2)
18
7 Dicembre (ven)     - Seminario prof. Kuflik: "Applying Text Mining Techniques for Exploring Social Media Opinion"

Slide(3)
Slide(4)
19
11 Dicembre (mar)     - DL: RNN

DL: RNN
20
13 Dicembre (gio)     - Embeddings

Embeddings
21
18 Dicembre (mar)     - Incontro per progetti


22
20 Dicembre (gio)
Aula DS3B
    - Incontro per progetti


23
8 Gennaio (mar)
    - Incontro per progetti

 
24
10 Gennaio (gio)
    - Incontro per progetti

 
25
15 Gennaio (mar)
    - Incontro per progetti

 
26
17 Gennaio (gio)
    - Seminario: "Robotic & Cognitive Automation – L’esperienza Deloitte nell’applicazione delle tecnologie Cognitive e Intelligent automation nelle aziende"

 



Ricevimento

  • Giovedì ore 17:30-19:30 (e per appuntamento).

Modalità Esami

  • Prova scritta + Progetto

Esami

  • Sessione Estiva: TBD
  • Sessione Autunnale: TBD
  • Sessione Invernale: TBD

N.B. Si ricorda che per sostenere gli esami e verbalizzare l'esito dell'esame in una sessione occorre prenotarsi preventivamente sul sito del portale dello studente. Non e' possibile verbalizzare l'esame in assenza della prenotazione.

Collaboratori


Contatti

Prof. A. Micarelli 
micarel@dia.uniroma3.it
Subpages (1): Progetti