Sillabo dell'insegnamento

• M - Rappresentazione della conoscenza
AASC - Apprendimento Automatico e Scoperta di Conoscenza
Reti neurali artificiali, percettrone, delta rule, percettrone come separatore lineare, reti neurali multistrato, percettrone multistrato, back propagation, funzioni d'errore, parametri di apprendimento, overfiting, validazione, dimensione di una rete neurale.
AASC - Apprendimento Automatico e Scoperta di Conoscenza
eti neurali Radial Basis Function, reti probabilistiche, reti competitive, reti LVQ, reti SOM: proprietà e loro algoritmi di apprendimento.
AASC - Apprendimento Automatico e Scoperta di Conoscenza
Apprendimento Hebbiano, PCA neurale, schemi auto associativi. Funzioni Kernel, proprietà e loro caratterizzazione.
AASC - Apprendimento Automatico e Scoperta di Conoscenza
Riduzione nella dimensionalità dei dati: SVD, PCA, NMF, Random Projections. Canonical Correlation Analysis, Fisher Discriminant Analysis. La dimensione VC, versione duale dell'algoritmo del percettrone, iperpiano di separazione ottimale e sua formulazione lagrangiana.
AASC - Apprendimento Automatico e Scoperta di Conoscenza
Support Vector Machines (SVM) per classificazione. SVM nel caso di separabilità non lineare, variabili slack. SVM e One class classifiers.
AASC - Apprendimento Automatico e Scoperta di Conoscenza
Funzioni Kernel per dati strutturati (stringhe, alberi) e per testi. Problemi di classificazione supervisionata e non supervisionata di dati biomedici.