15-01-2018 16:42
Gli appelli per la sessione invernale avranno luogo martedì 13-2-2018 e martedì 27-2-2018, in entrambi i casi alle ore 10 nello studio del docente
|
Esami sessione autunnale10-07-2017 11:22
Gli appelli per la sessione estiva avranno luogo giovedì 14-9-2017 e giovedì 28-9-2017, in entrambi i casi alle ore 10 nello studio del docente
|
Esami sessione estiva29-05-2017 15:24
Gli appelli per la sessione estiva avranno luogo venerdì 23-6-2017 e giovedì 20-7-2017, in entrambi i casi alle ore 10 nello studio del docente
|
15-05-2017 12:34
Le lezioni previste per la settimana dal 15-5-2017 al 19-5-2017 sono annullate. La prossima lezione sarà tenuta martedì 23-5-2017
|
12-04-2017 14:41
La lezione prevista per domani, 13-4-2017, è rimandata a data successiva da definire.
|
10-04-2017 17:06
La lezione prevista per domani, 11-4-2017, è rimandata a data successiva da definire.
|
23-03-2017 11:03
La lezione prevista per oggi, 23-3-2017, è rimandata a data successiva da definire.
|
17-03-2017 00:15
Una serie di tutorial su scikit-learn è disponibile all'indirizzo http://www.datasciencecentral.com/profiles/blogs/scikit-learn-tutorial-series
|
16-03-2017 20:51
Per chi fosse interessato a testi a carattere non tecnico, inerenti le tematiche del corso, si suggeriscono:
- P. Domingos “L’Algoritmo Definitivo: La macchina che impara da sola e il futuro del nostro mondo” Bollati Boringhieri 2016
- C. O’Neil “Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy” Allen Lane 2016
- S. Bertsch McGrayne “The Theory That Would Not Die: How Bayes' Rule Cracked the Enigma Code, Hunted Down Russian Submarines, and Emerged Triumphant from Two Centuries” Yale Univ. Press 2012
|
14-03-2017 23:15
Le lezioni del corso, a partire dal 16-3-2017, avranno luogo il martedì alle 11.30 in aula G2A e il giovedì alle 14.30 in aula 7.
|
06-03-2017 15:05
Nella cartella 'Libri', all'interno della cartella dropbox condivisa, sono disponibili alcuni testi di Machine learning e di programmazione Python liberamente disponibili su Internet
|
06-03-2017 15:00
All'indirizzo http://jupyter.org/ sono disponibili informazioni sull'ambiente Jupyter Notebook
|
06-03-2017 14:58
I materiali messi a disposizione degli studenti saranno resi man mano accessibili alla seguente cartella dropbox (aprire il link in una diversa finestra)
|
06-03-2017 14:43
All'indirizzo http://www.scipy-lectures.org/ sono disponibili tutorial sui package Python Numpy, Scipy, Matplotlib
|
06-03-2017 14:42
All'indirizzo https://www.continuum.io/downloads è disponibile l'ambiente di programmazione Python Anaconda: include l'editor Spyder
|
06-03-2017 14:41
All'indirizzo https://store.enthought.com/downloads è disponibile l'ambiente Enthought Canopy di programmazione Python: è prevista una academic license per docenti e studenti.
|
06-03-2017 14:40
All'indirizzo http://scikit-learn.org/stable/documentation.html sono disponibili documnetazione e tutorial del framework scikit-learn
|
06-03-2017 14:38
Al seguente indirizzo è accessibile documentazione sui package Pyhton Numpy, Scipy, Matplotlib, Pandas e sull'ambiente IPython |
10 | 18-04-2017
Linear discriminant analysis. Perceptron |
9 | 06-04-2017
Classificazione lineare. Tipi di approcci al problema. Classificazione mediante regressione lineare. |
8 | 04-04-2017
Soluzioni fully bayesian per le regressione lineare. Kernel equivalente |
7 | 30-03-2017
Approcci bayesiani alla regressione lineare. MAP |
6 | 28-03-2017
Modello probabilistico della regressione lineare. Massima verosimiglianza per RL. Decomposizione errore sistematico - varianza |
5 | 23-03-2017
Cenni di teoria dell'informazione. Utilizzo dell'informazione mutua per la selezione di feature. Regressione lineare. Funzioni base. Regolarizzazione. |
4 | 21-03-2017
Bayesian learning: Maximum a posteriori (MAP) e metodi fully bayesian. Esempi: i modelli Beta-Bernoulli e Dirichlet-multinomiale. Applicazione ai modelli di linguaggio. Classificatori Naive-Bayes di documenti. |
3 | 16-03-2017
Richiami di probabilità e statistica bayesiana. Applicazione della formula di Bayes al learning. Distribuzioni coniugate. |
2 | 14-03-2017
Introduzione al machine learning. Modelli parametrici. Funzioni di costo. Esempio: regressione polinomiale. Minimi quadrati. Overfitting e regolarizzazione. Un modello probabilistico per la regressione. Massimizzazione della verosimiglianza. |
1 | 09-03-2017
Esempio di progetto |
0 | 06-03-2017
Introduzione al corso |