Codice insegnamento

4S009067

Crediti

6

Coordinatore

Alberto Castellini

Lingua di erogazione

Inglese

Offerto anche nei corsi:

• Statistical learning - PART I del corso Laurea magistrale in Artificial Intelligence [LM-18]
• Statistical learning - PART II del corso Laurea magistrale in Artificial Intelligence [LM-18]
• Statistical learning - PART II del corso Laurea magistrale in Mathematics [LM-40]
• Statistical learning - PART I del corso Laurea magistrale in Data Science (LM-91)
• Statistical learning - PART II del corso Laurea magistrale in Data Science (LM-91)

Settore Scientifico Disciplinare (SSD)

INF/01 - INFORMATICA

Corsi Singoli

Autorizzato

Moodle Seminari 0

L'insegnamento è organizzato come segue:

Obiettivi di apprendimento

L’insegnamento si propone di introdurre gli studenti ai modelli statistici utilizzati in “data science”. Si svilupperanno le fondamenta dell’apprendimento statistico (supervisionato e non supervisionato) ponendo l’enfasi sulle basi matematiche delle differenti metodologie allo stato dell’arte. Inoltre si punta a fornire derivazioni rigorose dei metodi correntemente utilizzati nelle applicazioni industriali e scientifiche per consentire agli studenti di comprenderne i requisiti per il corretto utilizzo. Sessioni di laboratorio complementari illustreranno l’utilizzo di fondamentali algoritmi e casi di studio industriali in cui lo studente potrà imparare ad analizzare data-set reali per mezzo di software Python. Al termine del corso lo studente dovrà dimostrare di: - conoscere le fasi principali di preparazione dei dati, costruzione e valutazione del modello; - saper sviluppare soluzioni per la selezione delle “feature”; - conoscere e saper utilizzare i principali modelli di regressione e regolarizzazione (e.g., LASSO, “Ridge Regression”); - conoscere e sapere utilizzare i principali metodi per la riduzione della dimensionalità (e.g., “Principal Component Regression”, “Partial Least Squares”); - conoscere e saper utilizzare i principali metodi per la classificazione (e.g., KNN, “Logistic Regression”, LDA) - conoscere e saper utilizzare i principali metodi di regressione e classificazione basati su alberi (e.g., alberi di decisione, “random forest”, AdaBoost); - conoscere e saper utilizzare i principali metodi per l’analisi dei dati non supervisionati (e.g., “K-means clustering”, Clustering gerarchico); - conoscere e saper utilizzare i principali metodi per la generazione e l’addestramento di reti neurali (e.g., ANN per regressione e classificazione, backpropagation e metodi di discesa del gradiente, regularizzzazione per prevenire l’overfitting, deep neural networks).

Prerequisiti e nozioni di base

Basi di programmazione Python; basi di statistica. Alcuni concetti di base di programmazione e statistica saranno ripresi durante il corso.

Programma

Teoria:
-- Modelli lineari per la regressione
-- Cross-validazione
-- Selezione delle variabili in modelli di regressione lineare
-- Regolarizzazione per modelli di regressione lineare
-- Metodi per la riduzione della dimensionalità
-- Modelli di classificazione (Regressione logistica, Analisi lineare discriminante (LDA))
-- Metodi basati su alberi (alberi di decisione, "bagging", "random forest", "boosting")
-- Metodi non supervisionati (Analisi delle componenti principali (PCA), approccio "K-Means" per il partizionamento dei dati, partizionamento dei dati gerarchico)
-- Introduzione alle reti neurali (reti neurali a strato singolo, addestrare una rete neurale)
-- Cenni a metodi di predizione di serie temporali

Laboratorio:
- Introduzione all'analisi dati con Python
- Regressione lineare (Python)
- Metodi di selezione delle variabili in modelli lineari (Python)
- Regolarizzazione Ridge e Lasso per modelli di regressione lineare(Python)
- Classificazione con regressione logistica (Python)
- Partizionamento dei dati con approcci k-means e gerarchico (Python)
- Metodi per la predizione di serie temporali
- Reti neurali artificiali (Python)

Bibliografia

Modalità didattiche

Esperienze di laboratorio, lezioni frontali, analisi di casi.
Saranno specificamente tutelati gli studenti e le studentesse in situazioni particolari di fragilità. In questi casi gli studenti e le studentesse sono invitati a contattare direttamente il docente per organizzare le modalità di recupero più opportune.

Modalità di verifica dell'apprendimento

L'esame è costituito da una prova scritta sugli argomenti trattati nella corso e le relative esercitazioni svolte in laboratorio. In caso di bassa partecipazione la prova scritta sarà sostituita da un esame orale con domande equivalenti. Compatibilmente con la numerosità degli studenti verrà anche richiesta la consegna e presentazione di un progetto o di un articolo scientifico sulle tematiche del corso.

Criteri di valutazione

Conoscenza teorica ed applicata delle tecniche insegnate nel corso; capacità critica di selezione delle tecniche in base al problema; capacità di utilizzo delle tecniche insegnate nel corso.

Criteri di composizione del voto finale

Il voto finale e' composto dalla media di parte 1 e 2.

Lingua dell'esame

Inglese

Sustainable Development Goals - SDGs

Questa iniziativa contribuisce al perseguimento degli Obiettivi di Sviluppo Sostenibile dell'Agenda 2030 dell'ONU.
Maggiori informazioni su www.univr.it/sostenibilita