Note

  1. Concetti fondamentali. Concetti fondamentali del ML

  2. Note su SLT. Note su Statistical Learning Theory

  3. Probability recall. Richiami di probabilità

  4. Loss and training. Funzioni loss e gradient descent

  5. Probabilistic learning. Metodi probabilistici di apprendimento

  6. Linear regression. Regressione lineare

  7. Non parametric regression. Metodi non parametrici per la regressione

  8. Linear classification. Metodi per la classificazione lineare

  9. Modelli generativi. Modelli generativi per classificazione

  10. Modelli discriminativi. Modelli discriminativi per la classificazione

  11. Classificazione non parametrica Modelli non parametrici per la classificazione

  12. SVM Support vector machines

  13. MLP Multilayer perceptron

  14. Decision trees Alberi di decisione

  15. Ensemble Ensemble: bagging e boosting

  16. Clustering Clustering

  17. Dimensionality reduction Riduzione di dimensionalità

  18. Latent variable models Modelli a variabili latenti

  19. Expectation maximization Algoritmo EM

  20. Probabilistic dimensionality reduction Metodi probabilistici per la riduzione di dimensionalità

  21. Variational methods Approcci variazionale ai modelli a variabili latenti