Fisica
Cod 198331
- Laurea magistrale
- 2 anni
- 120 CFU
- LM-17 R
INFO-01/A
IN550 – Machine Learning
Codice: 20410432
Scheda insegnamento
- Anno Accademico di erogazione
- 2026/2027
- Corso di studi
- Matematica
- Periodo di erogazione
- Primo semestre
- CFU
- 6 CFU
- Lingua
- Italiano
- SSD
- INFO-01/A
Scopri il programma didattico
Programma, testi adottati e modalità d’esame sono quelli pubblicati dai docenti per l’anno accademico 2026/2027. L’insegnamento è diviso in canali: ogni canale ha il suo programma.
- Docente
- Vincenzo Bonifaci
- Curriculum
- Teorico
- Anno di corso
- 1
- Periodo
- Primo semestre
- Ore
- 60
- CUIN
- 260004478
Programma
1. Apprendimento automatico. Tipi di apprendimento. Funzioni di costo. Minimizzazione del rischio empirico. Generalizzazione ed overfitting.
2. Ottimizzazione di modelli. Funzioni convesse. Discesa del gradiente. Discesa stocastica del gradiente.
3. Regressione. Regressione lineare. Basi di funzioni. Selezione dei predittori. Regolarizzazione.
4. Classificazione. Modelli generativi. Nearest neighbor. Regressione logistica. Support vector machines. Reti neurali.
5. Combinazione di modelli. Alberi di decisione. Boosting. Bagging.
6. Apprendimento non supervisionato. Clustering K-means. Clustering gerarchico. Analisi delle componenti principali.
7. Applicazione dei metodi nel linguaggio di programmazione Python. Esempi d'uso delle librerie NumPy, Pandas, SciKit-Learn, e PyTorch.
Prerequisiti
Conoscenza del linguaggio di programmazione Python. [IN400a Programmazione in Python]
Elementi di probabilità discreta, algebra lineare ed analisi matematica.
Testi adottati
J. Watt, R. Borhani, A. Katsaggelos. Machine Learning Refined. Cambridge University Press, 2nd edition, 2020.
Bibliografia di riferimento
A. Géron. Hands-On Machine Learning with SciKit-Learn, Keras, and Tensorflow. O'Reilly, 3rd edition, 2022.
M. Mohri, A. Rostamizadeh, A. Talwalkar. Foundations of Machine Learning. MIT Press, 2nd edition, 2018.
S. Shalev-Shwartz, S. Ben-David. Understanding Machine Learning. Cambridge University Press, 2014.
G. James, D. Witten, T. Hastie, R. Tibshirani. Introduzione all'apprendimento statistico. Piccin, 2020.
K.P. Murphy. Probabilistic Machine Learning. MIT Press, 2022.
T. Hastie, R. Tibshirani, J. Friedman. Gli elementi dell'apprendimento statistico. Piccin, 2025.
C.M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
Modalità di erogazione
Lezioni teoriche frontali ed esercitazioni di laboratorio nel linguaggio di programmazione Python.
Per il diario delle lezioni si consulti il sito web del docente: http://ricerca.mat.uniroma3.it/users/vbonifaci/in550.html
Le lezioni saranno in presenza e verranno anche trasmesse e registrate.
Modalità di frequenza
La frequenza è consigliata ma non obbligatoria.
Modalità di valutazione
L'esame si compone di due parti: un progetto software ed un esame orale. Nella parte di progetto software, gli studenti identificheranno ed analizzeranno un dataset utilizzando le metodologie presentate durante le lezioni, preparando un quaderno Python interattivo (Jupyter) ed una presentazione. L'esame orale consisterà, oltre che nella discussione del progetto, in domande su tutto il programma del corso.
Prove previste
- Prova orale
- Valutazione di un progetto
- Docente
- Vincenzo Bonifaci
- Curriculum
- Crittografia
- Anno di corso
- 1
- Periodo
- Primo semestre
- Ore
- 60
- CUIN
- 260013670
Programma
1. Apprendimento automatico. Tipi di apprendimento. Funzioni di costo. Minimizzazione del rischio empirico. Generalizzazione ed overfitting.
2. Ottimizzazione di modelli. Funzioni convesse. Discesa del gradiente. Discesa stocastica del gradiente.
3. Regressione. Regressione lineare. Basi di funzioni. Selezione dei predittori. Regolarizzazione.
4. Classificazione. Modelli generativi. Nearest neighbor. Regressione logistica. Support vector machines. Reti neurali.
5. Combinazione di modelli. Alberi di decisione. Boosting. Bagging.
6. Apprendimento non supervisionato. Clustering K-means. Clustering gerarchico. Analisi delle componenti principali.
7. Applicazione dei metodi nel linguaggio di programmazione Python. Esempi d'uso delle librerie NumPy, Pandas, SciKit-Learn, e PyTorch.
Prerequisiti
Conoscenza del linguaggio di programmazione Python. [IN400a Programmazione in Python]
Elementi di probabilità discreta, algebra lineare ed analisi matematica.
Testi adottati
J. Watt, R. Borhani, A. Katsaggelos. Machine Learning Refined. Cambridge University Press, 2nd edition, 2020.
Bibliografia di riferimento
A. Géron. Hands-On Machine Learning with SciKit-Learn, Keras, and Tensorflow. O'Reilly, 3rd edition, 2022.
M. Mohri, A. Rostamizadeh, A. Talwalkar. Foundations of Machine Learning. MIT Press, 2nd edition, 2018.
S. Shalev-Shwartz, S. Ben-David. Understanding Machine Learning. Cambridge University Press, 2014.
G. James, D. Witten, T. Hastie, R. Tibshirani. Introduzione all'apprendimento statistico. Piccin, 2020.
K.P. Murphy. Probabilistic Machine Learning. MIT Press, 2022.
T. Hastie, R. Tibshirani, J. Friedman. Gli elementi dell'apprendimento statistico. Piccin, 2025.
C.M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
Modalità di erogazione
Lezioni teoriche frontali ed esercitazioni di laboratorio nel linguaggio di programmazione Python.
Per il diario delle lezioni si consulti il sito web del docente: http://ricerca.mat.uniroma3.it/users/vbonifaci/in550.html
Le lezioni saranno in presenza e verranno anche trasmesse e registrate.
Modalità di frequenza
La frequenza è consigliata ma non obbligatoria.
Modalità di valutazione
L'esame si compone di due parti: un progetto software ed un esame orale. Nella parte di progetto software, gli studenti identificheranno ed analizzeranno un dataset utilizzando le metodologie presentate durante le lezioni, preparando un quaderno Python interattivo (Jupyter) ed una presentazione. L'esame orale consisterà, oltre che nella discussione del progetto, in domande su tutto il programma del corso.
Prove previste
- Prova orale
- Valutazione di un progetto
- Docente
- Vincenzo Bonifaci
- Curriculum
- Matematica applicata e computazionale
- Anno di corso
- 1
- Periodo
- Primo semestre
- Ore
- 60
- CUIN
- 260004545
Programma
1. Apprendimento automatico. Tipi di apprendimento. Funzioni di costo. Minimizzazione del rischio empirico. Generalizzazione ed overfitting.
2. Ottimizzazione di modelli. Funzioni convesse. Discesa del gradiente. Discesa stocastica del gradiente.
3. Regressione. Regressione lineare. Basi di funzioni. Selezione dei predittori. Regolarizzazione.
4. Classificazione. Modelli generativi. Nearest neighbor. Regressione logistica. Support vector machines. Reti neurali.
5. Combinazione di modelli. Alberi di decisione. Boosting. Bagging.
6. Apprendimento non supervisionato. Clustering K-means. Clustering gerarchico. Analisi delle componenti principali.
7. Applicazione dei metodi nel linguaggio di programmazione Python. Esempi d'uso delle librerie NumPy, Pandas, SciKit-Learn, e PyTorch.
Prerequisiti
Conoscenza del linguaggio di programmazione Python. [IN400a Programmazione in Python]
Elementi di probabilità discreta, algebra lineare ed analisi matematica.
Testi adottati
J. Watt, R. Borhani, A. Katsaggelos. Machine Learning Refined. Cambridge University Press, 2nd edition, 2020.
Bibliografia di riferimento
A. Géron. Hands-On Machine Learning with SciKit-Learn, Keras, and Tensorflow. O'Reilly, 3rd edition, 2022.
M. Mohri, A. Rostamizadeh, A. Talwalkar. Foundations of Machine Learning. MIT Press, 2nd edition, 2018.
S. Shalev-Shwartz, S. Ben-David. Understanding Machine Learning. Cambridge University Press, 2014.
G. James, D. Witten, T. Hastie, R. Tibshirani. Introduzione all'apprendimento statistico. Piccin, 2020.
K.P. Murphy. Probabilistic Machine Learning. MIT Press, 2022.
T. Hastie, R. Tibshirani, J. Friedman. Gli elementi dell'apprendimento statistico. Piccin, 2025.
C.M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
Modalità di erogazione
Lezioni teoriche frontali ed esercitazioni di laboratorio nel linguaggio di programmazione Python.
Per il diario delle lezioni si consulti il sito web del docente: http://ricerca.mat.uniroma3.it/users/vbonifaci/in550.html
Le lezioni saranno in presenza e verranno anche trasmesse e registrate.
Modalità di frequenza
La frequenza è consigliata ma non obbligatoria.
Modalità di valutazione
L'esame si compone di due parti: un progetto software ed un esame orale. Nella parte di progetto software, gli studenti identificheranno ed analizzeranno un dataset utilizzando le metodologie presentate durante le lezioni, preparando un quaderno Python interattivo (Jupyter) ed una presentazione. L'esame orale consisterà, oltre che nella discussione del progetto, in domande su tutto il programma del corso.
Prove previste
- Prova orale
- Valutazione di un progetto
Esplora gli obiettivi dell’insegnamento
Ambito disciplinare: Attività formative affini o integrative
Apprendere a istruire un calcolatore a imparare dei concetti usando i dati, senza essere programmato esplicitamente. Acquisire la conoscenza dei principali metodi di apprendimento automatico con o senza supervisore e discuterne le proprietà e i criteri di applicabilità Acquisire la capacità di formulare correttamente il problema, scegliere l'algoritmo opportuno, e condurre l'analisi sperimentale per valutare i risultati ottenuti. Curare l'aspetto pratico dell'implementazione dei metodi introdotti presentando diversi esempi di impiego in diversi scenari applicativi.
Esempi di domande d’esame
Vincenzo Bonifaci
Discutere i concetti di rischio atteso, rischio empirico e decomposizione stima-approssimazione.
Discutere il metodo di discesa del gradiente e le sue proprietà di convergenza.
Discutere i metodi di classificazione multiclasse SoftMax.
Discutere il teorema del rappresentante.
Discutere il concetto di boosting e l'algoritmo AdaBoost.
Vincenzo Bonifaci
Discutere i concetti di rischio atteso, rischio empirico e decomposizione stima-approssimazione.
Discutere il metodo di discesa del gradiente e le sue proprietà di convergenza.
Discutere i metodi di classificazione multiclasse SoftMax.
Discutere il teorema del rappresentante.
Discutere il concetto di boosting e l'algoritmo AdaBoost.
Vincenzo Bonifaci
Discutere i concetti di rischio atteso, rischio empirico e decomposizione stima-approssimazione.
Discutere il metodo di discesa del gradiente e le sue proprietà di convergenza.
Discutere i metodi di classificazione multiclasse SoftMax.
Discutere il teorema del rappresentante.
Discutere il concetto di boosting e l'algoritmo AdaBoost.