Formazione e ricerca
Attività Formative del Corso di Dottorato
This page shows the courses and classes of the PhD programme for the academic year 2023/2024. Additional courses and classes will be added during the year. Please check for updates regularly!
Non monotonic reasoning
Crediti: 3
Lingua di erogazione: English
Docente: Matteo Cristani
Sustainable Embodied Mechanical Intelligence
Crediti: 3
Lingua di erogazione: English
Docente: Giovanni Gerardo Muscolo
Brain Computer Interfaces
Crediti: 3
Lingua di erogazione: English
Docente: Silvia Francesca Storti
A practical interdisciplinary PhD course on exploratory data analysis
Crediti: 4
Lingua di erogazione: Inglese
Docente: Prof. Vincenzo Bonnici (Università di Parma)
Multimodal Learning and Applications
Crediti: 5
Lingua di erogazione: Inglese
Docente: Cigdem Beyan
Introduction to Blockchain
Crediti: 3
Lingua di erogazione: English
Docente: Sara Migliorini
Autonomous Agents and Multi-Agent Systems
Crediti: 5
Lingua di erogazione: English
Docente: Alessandro Farinelli
Cyber-Physical System Security
Crediti: 3
Lingua di erogazione: English/Italian
Docente: Massimo Merro
Foundations of quantum languages
Crediti: 3
Lingua di erogazione: English
Docente: Margherita Zorzi
Advanced Data Structures for Textual Data
Crediti: 3
Lingua di erogazione: English
Docente: Zsuzsanna Liptak
AI and explainable models
Crediti: 5
Lingua di erogazione: English
Docente: Gloria Menegaz, Lorenza Brusini
Automated Software Testing
Crediti: 4
Lingua di erogazione: English
Docente: Mariano Ceccato
Elements of Machine Teaching: Theory and Appl.
Crediti: 3
Lingua di erogazione: English
Docente: Ferdinando Cicalese
Introduction to Quantum Machine Learning
Crediti: 4
Lingua di erogazione: English
Docente: Alessandra Di Pierro
Laboratory of quantum information in classical wave-optics analogy
Crediti: 3
Lingua di erogazione: English
Docente: Claudia Daffara
Elements of Machine Teaching: Theory and Appl. (2023/2024)
Docente
Referente
Crediti
3
Lingua di erogazione
English
Frequenza alle lezioni
Scelta Libera
Sede
VERONA
Obiettivi di apprendimento
Il Machine Teaching è un paradigma alternativo di apprendimento automatico. Si concentra su quanto efficacemente ed efficientemente un docente può guidare un discente ad acquisire una determinata competenza (ipotesi). I lavori fondazionali risalgono ai primi anni '90 [Shinohara91,Goldman95] e considerano lo scenario in cui il docente invia al discente in un'unica soluzione l'intero insieme di esempi etichettati, dai quali il discente deve dedurre l'ipotesi corretta in un dato insieme di possibili ipotesi. In approcci più recenti, il modello prevede che docente e discente interagiscano in più round. In ogni round il docente invia un insieme di esempi, sulla base dei quali il discente elabora la propria ipotesi parziale e fornisce un qualche feedback al docente. Il processo termina quando il discente identifica l'ipotesi corretta (o una qualche sua buona approssimazione). Modelli di machine teaching sono usati con successo in diversi ambiti applicativi, quali : crowd sourcing, intelligent tutoring systems, analisi di attacchi informatici, sistemi per il riconoscimento automatico del linguaggio naturale.
Prerequisiti e nozioni di base
Conoscenze di progettazione ed analisi di algoritmi e nozioni di probabilità discreta
Programma
Elementi fondazionali: da PAC learning ad Active Learning , a Machine Teaching (MT); Concetti di Teaching dimension (batch, sequenziale, ricorsivo, VC-dimension e sample compression); machine teaching interattivo e black box machine teaching; applicazioni di MT in huma-computer interaction.
Bibliografia
Modalità didattiche
Lezioni frontali
Modalità di verifica dell'apprendimento
Lettura e commento di articoli
Valutazione
Comprensione dei concetti base e capacità di rielaborazione
Criteri di composizione del voto finale
Non ci sarà voto. L'esito sarà: superato/non superato
