Programma (tentativo)
- Richiami di statistica bayesiana e apprendimento bayesiano
- Supervised learning
- Regressione (lineare e non) e regolarizzazione
- Feature selection, cenni
- Classificazione lineare: LDA di Fisher, perceptron
- Naive bayes
- Modelli generativi per la classificazione
- Modelli discriminativi per la classificazione, regressione logistica
- Support vector machines, kernel
- Multilayer perceptron
- Modelli non parametrici: knn e Parzen windows
- Nadaraya-Watson, kernel regression, processi gaussiani
- Alberi di decisione
- Ensemble models: bagging, boosting, random forests, Adaboost, Gradient boosting
- Unsupervised learning
- Clustering: k-means, mixture models
- Algoritmo di expectation maximization
- Dimensionality reduction: Principal component analysis, Probabilistic principal component analysis, Factor analysis
- Testo, pair matrices e recommenders
- Latent semantic analysis
- Modelli di testo (coppie): Probabilistic latent semantic analysis, Latent Dirichlet allocation, topic models
- Metodi montecarlo per l’inferenza approssimata (cenni)
- Deep learning
- Convolutional networks
- Recurrent e LSTM networks
- Attention e transformers
- Autoencoders e reti generative