Docente
|
Ortenzi Luciano
(programma)
Machine Learning Supervisionato
Introduzione, definizioni, concetti e applicazioni, coding (livello base). regressione lineare (funzione costo, algoritmo del gradiente descente, learning rate, matrice pseudoinversa) caso multivariato Feature scaling e Z−score, costruzione delle variabili rilevanti, regressione logistica, Decision boundaries. Il problema dell'overfitting regolarizzazione per la regressione lineare e logistica
2 MACHINE LEARNING NON SUPERVISIONATO Il clustering, algoritmo K-means e knn (cenni) Anomaly detection.
3 MACHINE LEARNING IN PRATICA Iperparametri e strategie di training. Valutazione del modello, overfitting, underfitting e regolarizzazione. Learning curves, analisi dell'errore. Transfer learning. Trading off della precision e della recall
4 NEURAL NETWORKS AND DEEP LEARNING
TensorFlow, Matlab deeplearnong toolbox Strategie di training e funzionio di attivazione(sigmoid, ReLu, etc) Classificazione multiclasse. Applicazioni del Deeplearning: classificazione di immagini e YOLO
(testi)
- Dispense del docente.
|