Machine Learning
A.A. 2019-2020
Benvenuto alla pagina del corso di Machine Learning. Il corso è destinato agli studenti del secondo anno dei Corsi di Laurea Magistrale in Ingegneria Informatica e Ingegneria dell'Automazione.
Consulta questa pagina per ottenere informazioni aggiornate sui seguenti argomenti:
- Bacheca (annunci, calendario degli esami, valutazioni)
- Programma d'esame
- Libri di testo e testi di esame
- Modalità d'esame
- Date d'esame
- Link
- Calendario del corso (gli argomenti svolti nelle singole lezioni)
Per ogni richiesta o dubbio scrivi a: veronica.piccialli@uniroma2.it .
Bacheca
Qui sono riportati gli avvisi e le informazioni più urgenti.
- Tutti gli studenti del corso devono iscriversi al gruppo google Machine Learning 2019-20 tramite cui saranno diffuse le licenze software e i testi dei progetti.
Orario delle lezioni
Semestre: II
Orari:
- martedì ore 12:00-13:30 in Aula B8 (Nuovo Complesso della didattica);
- giovedì ore 10:00-11:30 in Aula B8 (Nuovo Complesso della didattica);
- venerdì ore 10:00-11:30 in Aula B9 (Nuovo Complesso della didattica);
Ricevimento
lunedì ore 12:00 - 13:00 (stanza D2-10, Edifici Ingegneria dell'Informazione.) Per il ricevimento è necessario prenotarsi inviando un mail all'indirizzo veronica.piccialli@uniroma2.it
Obiettivi e Prerequisiti del corso
Il corso vale 9 crediti.
Obiettivi. L'obiettivo del corso è quello di introdurre all'ottimizzazione non vincolata con attenzione alle applicazioni nel campo dell'apprendimento automatico con particolare attenzione a reti neurali shallow e deep.
Prerequisiti. è raccomandabile aver seguito i moduli di Analisi Matematica 1 e 2, di Geometria 1, e di Ricerca Operativa.
Programma di massima del corso
Introduzione all'ottimizzazione: approccio modellistico
Problemi di ottimizzazione: classificazione
Apprendimento statistico: concetti generali.
Regressione Lineare.
Ottimizzazione non vincolata: condizioni di ottimo, algoritmi di soluzione: condizioni di convergenza
globale, ricerca di linea, metodo del gradiente, metodo del gradiente stocastico.
Reti neurali.
Reti deep.
Testo adottato e altro materiale
- Luigi Grippo, Marco Sciandrone, Metodi di Ottimizzazione Non Vincolata, Springer, Unitext 2011.
Errata Corrige
- Luigi Grippo, Marco Sciandrone, Metodi di ottimizzazione per le reti neurali.
- Materiali in inglese distribuiti durante il corso.
- I seguenti testi sono disponibili presso il mio ufficio:
a. Olvi L. Mangasarian, Nonlinear Programming, SIAM Classics in Applied Mathematics.
b. Jorge Nocedal, Stephen J. Wright, Numerical Optimization, Springer.
c. Dimitri P. Bertsekas, Convex Analysis and Optimization, Athena Scientific.
d. Dimitri P. Bertsekas, Nonlinear Programming, Athena Scientific.
e. J.E. Dennis, Robert B. Schnabel, Numerical Methods for Unconstrained Optimization and Nonlinear Equations, SIAM Classics in Applied Mathematics.
Modalità d'esame
- La prova d'esame consiste in uno orale che verte sull'intero programma del corso e un progetto in Keras che prevede manipolazione di dati.
- Come prenotarsi: Tramite delphi. Attenzione: la prenotazione è obbligatoria e tassativamente necessaria per sostenere l'esame.
- Appelli d'esame straordinari. In casi di comprovata urgenza, per esempio se il mancato sostenimento dell'esame causa uno slittamento della sessione di laurea, uno studente, solo se è iscritto al terzo anno (o terzo ripetente), può chiedere al docente di indire un appello straordinario al di fuori delle sessioni ufficiali. Si ricordi che, secondo le regole attualmente in vigore in Facoltà, in uno stesso A.A. uno studente può sostenere al più un esame in un appello straordinario e che la convocazione di un appello straordinario è a discrezione del docente titolare del corso e del Consiglio di Corso di Studi.
Date d'esame
- Sessione estiva
- da definire
Link utili
Questi link contengono dispense, esercizi, software freeware, curiosità relativi al mondo della ricerca operativa.
Agenda del corso