Programma (tentativo)

• Richiami di statistica bayesiana e apprendimento bayesiano
• Supervised learning
  • Loss functions e minimizzazione del rischio
  • Approccio probabilistico: ML, MAP e predizioni bayesiane
  • Regressione (lineare e non) e regolarizzazione
  • Feature selection, cenni
  • Classificazione lineare
  • Naive bayes
  • Modelli generativi per la classificazione
  • Modelli discriminativi per la classificazione, regressione logistica
  • Support vector machines, funzioni kernel
  • Multilayer perceptron
  • Modelli non parametrici: knn e Parzen windows
  • Nadaraya-Watson, kernel regression, processi gaussiani
  • Alberi di decisione
  • Ensemble models: bagging, boosting, random forest, Adaboost, Gradient boosting
• Unsupervised learning
  • Clustering: k-means, mixture models
  • Algoritmo di expectation maximization
  • Dimensionality reduction: Principal component analysis, Probabilistic PCA, Factor analysis
  • Latent semantic analysis
• Deep learning
  • Reti convoluzionali
  • Reti ricorrenti e LSTM
  • Meccanismi di attention e transformers
  • Autoencoders e reti generative
• Metodi montecarlo per l’inferenza approssimata (cenni)