Calcolo differenziale ed integrale. Elementi di statistica e di calcolo delle probabilità.

Introduzione ai metodi matematici per il machine learning con presentazione di tecniche di elaborazioni automatiche dei dati mediante il software R.

Al termine del corso lo studente/la studentessa è in grado di riconoscere i principali metodi e modelli di machine learnning (ML), valutandone criticamente punti di forza e di debolezza. Inoltre, egli/ella dovrebbe essere in grado di estrarre informazioni da insiemi di dati a grande dimensioni a fini descrittivi e previsivi.

 

Conoscenza e capacità di comprensione (knowledge and understanding)

Comprensione della metodologia e della teoria dei principali algoritmi di ML in ambito supervisionato.

Capacità di cogliere differenze e similitudini tra varie tecniche di ML.

Illustrare le principali difficoltà computazionali che possono sorgere dall’implementazione dei metodi di ML.

 

Capacità di applicare conoscenza e comprensione (applying knowledge and understanding)

Capacità di usare modelli di ML appropriati per estrarre informazione da un insieme di dati (specie se a grandi dimensioni) e formulare previsioni.

Comprensione degli output prodotti da una tecnica di ML.

 

Autonomia di giudizio (making judgements)

Valutare criticamente i risultati ottenuti dall’applicazione di un particolare algortimo di ML.

 

Abilità comunicative (communication skills)

Presentare in modo preciso i risultati di un’analisi di dati mediante metodi di ML.

 

Capacità di apprendimento (learning skills)

Individuare gli strumenti più adatti per analizzare dati, realizzando in modo autonomo la relativa elaborazione computazionale.

Lezioni frontali di approfondimenti teorici ed esercitazioni pratiche al calcolatore.

La prova d’esame consiste di due parti:

• prova orale con quesiti di carattere teorico ed esercizi di applicazione dei modelli studiati (60%)
• Lavoro progettuale per il calcolo e la risoluzione di problemi computazionali su R (40%)

In relazione alla prova orale è valutata correttezza e chiarezza nelle risposte, nonché la capacità di usare adeguatamente gli strumenti matematici presentati ed individuarne le possibili limitazioni. In relazione al lavoro progettuale, è valutata l’originalità, la correttezza delle procedure e la capacità di interpretare correttamente i risultati ottenuti.

Non sono previste differenze nelle modalità d’esame fra studenti frequentanti e non frequentanti.

 

L’Università del Salento “promuove e garantisce l’inclusione e la partecipazione effettive degli studenti con disabilità” (art. 10 dello Statuto). Lo studente/la studentessa disabile e/o con DSA, che intende usufruire di un intervento individualizzato per lo svolgimento della prova d’esame deve contattare l'ufficio Integrazione Disabili dell'Università del Salento.

A partire da febbraio 2023, il materiale didattico sarà disponibile sulla pagina web dell’insegnamento su elearning.unisalento.it.

Introduzione alla Data Science e al Machine Learning.

L’algoritmo KNN.

Modelli di Regressione Lineare e Polinomiale.

Metodi di campionamento. Bootstrap.

Regolarizzazione. Regressione Ridge e Lasso.

Classificazione. Regressione logistica.

James, G., Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning with Applications in R. Springer, 2022. Seconda edizione. Link: https://www.statlearning.com/

Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning. Springer, 2009.

Link: https://hastie.su.domains/ElemStatLearn/

Boehmke, B. and Greenwell, B.: Hands-on Machine Learning with R. Link: https://bradleyboehmke.github.io/HOML/

Per approfondimenti:

Deisenroth, M.P., Faisal, A.A.; Ong C.S.: Mathematics for Machine Learning, Cambridge University Press, 2020.

Link: https://mml-book.github.io/

Murphy, K. P.: Probabilistic Machine Learning: An Introduction. MIT Press, 2022. Link: https://probml.github.io/pml-book/book1.html