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