logo-polimi
Loading...
Risorse bibliografiche
Risorsa bibliografica obbligatoria
Risorsa bibliografica facoltativa
Scheda Riassuntiva
Anno Accademico 2015/2016
Scuola Scuola di Ingegneria Industriale e dell'Informazione
Insegnamento 097683 - MACHINE LEARNING
Docente Restelli Marcello
Cfu 5.00 Tipo insegnamento Monodisciplinare

Corso di Studi Codice Piano di Studio preventivamente approvato Da (compreso) A (escluso) Insegnamento
Ing Ind - Inf (Mag.)(ord. 270) - MI (481) COMPUTER SCIENCE AND ENGINEERING - INGEGNERIA INFORMATICA*AZZZZ097683 - MACHINE LEARNING
Ing Ind - Inf (Mag.)(ord. 270) - MI (487) MATHEMATICAL ENGINEERING - INGEGNERIA MATEMATICA*AZZZZ097683 - MACHINE LEARNING

Programma dettagliato e risultati di apprendimento attesi
Machine learning deals with the problem of building programs that learn from experience. While artificial intelligence focuses on the representation of knowledge and the algorithms for reasoning 

about such knowledge, machine learning deals with the problem of extracting knowledge from 

experience gathered solving problems to be used to solve unseen instances of similar problems. 

This course provides the theoretical and methodological foundation of machine learning methods 

and algorithms that are used in several application areas, including, Data Mining, Robotics, 

Autonomous Agents, Bioinformatics, Recommender Systems, Social Networks, etc.

    • Introduction (1 class)
      Basic concepts. 
    • Learning theory. (4 classes)
    • Bias/variance tradeoff. Union and Chernoff/Hoeffding bounds.
      VC dimension. Worst case (online) learning.
      Practical advice on how to use learning algorithms. 
    • Supervised learning. (7 classes)
    • Supervised learning setup. LMS.
      Logistic regression. Perceptron. Exponential family. 
      Generative learning algorithms. Gaussian discriminant analysis. Naive Bayes. 
      Support vector machines.
      Model selection and feature selection.
      Ensemble methods: Bagging, boosting.
      Evaluating and debugging learning algorithms.
    • Unsupervised learning. (5 classes)
    • Clustering. K-means. 
      EM. Mixture of Gaussians. 
      Factor analysis. 
      PCA (Principal components analysis). 
      ICA (Independent components analysis). 
    • Reinforcement learning and control. (4 classes)
    • MDPs. Bellman equations. 
      Value iteration and policy iteration. 
      Linear quadratic regulation (LQR). LQG. 
      Q-learning. Value function approximation. 
      Policy search. Reinforce. POMDPs. 
      Expert Online Learning.
      Multi-Armed Bandit.

Note Sulla Modalità di valutazione

The evaluation consists in a written exam where both theoretical competence and modeling skills will be tested. 


Bibliografia
Risorsa bibliografica facoltativaTrevor Hastie , Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction., Editore: Springer, Anno edizione: 2013 http://statweb.stanford.edu/~tibs/ElemStatLearn/
Risorsa bibliografica facoltativaChristopher M. Bishop, Pattern Recognition and Machine Learning, Editore: Springer, Anno edizione: 2006
Risorsa bibliografica facoltativaMehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar, Foundations of Machine Learning, Editore: The MIT Press, Anno edizione: 2012

Mix Forme Didattiche
Tipo Forma Didattica Ore didattiche
lezione
30.0
esercitazione
20.0
laboratorio informatico
0.0
laboratorio sperimentale
0.0
progetto
0.0
laboratorio di progetto
0.0

Informazioni in lingua inglese a supporto dell'internazionalizzazione
Insegnamento erogato in lingua Inglese
Disponibilità di materiale didattico/slides in lingua inglese
Disponibilità di libri di testo/bibliografia in lingua inglese
Possibilità di sostenere l'esame in lingua inglese
Disponibilità di supporto didattico in lingua inglese
schedaincarico v. 1.6.1 / 1.6.1
Area Servizi ICT
20/11/2019