Machine Learning (Laurea Magistrale in Atmospheric Science and Technology - LMAST)

Foreign students will find related news in the TEACHING section of the English version of this website


AVVISO: corso di nuova attivazione che andrà in aula per la prima volta a febbraio/marzo 2019 (2° semestre) per gli studenti immatricolati nel 2018/2019 e iscritti al 1° anno della Laurea Magistrale in Atmospheric Science and Technology (LMAST). Il corso è comunque aperto ad altri studenti della Facoltà e dell'Ateneo che sono interessati alle tematiche trattate, in quanto NON esistono propedeuticità sostanziali

  • Obiettivi del modulo e capacità acquisite dallo studente. Il corso fornirà i fondamenti su aspetti teorici, tecnici e pratici nella progettazione e implementazione di sistemi di apprendimento automatico ossia di machine learning (classificazione, clustering, approssimazione funzionale e problemi di predizione) basati su tecniche di intelligenza computazionale (reti neurali, logica fuzzy, algoritmi evolutivi, etc.), concentrando il'attenzione sull'analisi dei big data che sono rilevanti per le applicazioni della scienza meteorologica.
  • Prerequisiti. Fondamenti di fisica e informatica impartiti negli insegnamenti delle lauree di base.
  • Risultati di apprendimento attesi. Capacità di analisi e soluzione di problemi di progettazione, implementazione e funzionamento di sistemi di apprendimento automatico ossia d machine learning, con particolare riguardo all'analisi dei problemi di modellamento data driven; alla selezione di procedure di pre-processing adeguate; alla progettazione e all'implementazione di un sistema di modellamento appropriato per una determinata applicazione; alla misura delle prestazioni del sistema.
  • Programma
    • Introduzione al Machine Learning e al modellamento data driven. Soft computing, intelligenza computazionale.
    • Problemi di modellamento data driven: clustering, classificazione, modellamento non supervisionato, approssimazione funzionale, predizione. Capacità di generalizzazione. Deduzione e induzione.
    • Problemi di ottimizzazione. Condizioni di ottimalità. Regressione lineare. Stima ai minimi quadrati. Algoritmi di ottimizzazione numerica: discesa più ripida e metodo di Newton.
    • Principi della logica fuzzy. Principio di inferenza di induzione fuzzy. Regole fuzzy.
    • Algoritmi di clustering: k-means, BSAS, RL-BSAS. Il problema della validità del cluster; indici di sensibilità; indici di validazione relativi. Clustering gerarchico. Estrazione di cluster basati su agenti.
    • Sistemi di classificazione: misure di prestazioni e di sensibilità. Classificatori bayesiani. Superfici decisionali e caratterizzazione di funzioni discriminanti nel caso Gaussiano. Tecniche di stima a massima verosimiglianza. Tecniche di stima non parametriche. Sintesi del modello di classificazione basata sull'analisi del cluster. Alberi decisionali. Insiemi di classificatori.
    • Reservoir computing e architetture randomizzate: ESN, RVFL, RWFNN.
    • Architetture e sistemi calcolo basati sul deep learning.
    • Concetti di base sull'apprendimento distribuito e sul calcolo distribuito.
    • Casi di studio su fusione ed elaborazione di immagini multispettrali, riconoscimento di oggetti, previsione di serie temporali, analisi dei big data e applicazioni di scienza della meteorologia.
    • Materiale didattico
      • Appunti e dispense forniti dal docente.
      • Materiale integrativo (lucidi del corso, articoli) disponibili sul sito web.
      • Letture facoltative suggerite:
        • R. Kruse, C. Borgelt, F. Klawonn, C. Moewes, M. Steinbrecher, P. Held, Computational Intelligence: a Methodological Introduction, Springer, 2013. 
        • B. Kosko, Neural Networks and Fuzzy Systems, Prentice-Hall.
        • C.M. Bishop, Neural Network for Pattern Recognition, Oxford University Press.
        • L. Deng, Deep Learning: Methods and Applications, Microsoft Research.

    AVVISOper ogni tipo di comunicazione legata al corso, gli interessati sono pregati di inviarmi una e-mail indicando nell'OGGETTO "Machine Learning LMAST" e nel testo i seguenti dati: nome, cognome e numero di matricola. Cercherò di rispondere al più presto.