Introduzione All'Intelligenza Artificiale - A.A. 2010/11 (Secondo SemestrE)
Titolare del Corso - Maria Simi
II modulo. Introduzione all'apprendimento automatico
Responsabili - Davide Bacciu - Alessio Micheli
Argomenti- Introduzione ai principi dell'apprendimento automatico: apprendimento in Intelligenza Artificiale, tassonomia dei modelli di apprendimento, valutazione e selezione delle ipotesi. Apprendimento induttivo di concetti. Alberi di decisione. Analisi esplorativa: riduzione della dimensionalita', feature selection, clustering. Apprendimento con Rinforzo. Introduzione ai principi dell'apprendimento probabilistico: ipotesi maximum likelihood, MAP e Bayesiana. Classificatore Naive Bayes. Rappresentazione delle relazioni di (in)dipendenza tra variabili aleatorie: reti Bayesiane. Applicazioni e modelli avanzati dell'apprendimento automatico: trattamento di documenti, robotica e analisi di dati biomedici. Elementi di teoria statistica dell'apprendimento.
Orario Ricevimento - Lun. 14.30-16 / Ven 14.30/16 (Prendere appuntamento per mail)
Libri di Riferimento
[AIMA] Russell, S. and Norvig, N. Artificial Intelligence: A Modern Approach, 3rd Edition, Pearson Education, 2010.
Capitolo 18 "Learning from Examples"
Capitolo 20 "Learning Probabilistic Models"
[MML] Mitchell, T . Machine Learning, McGraw Hill.1997.
Capitolo 2 "Concept Learning and General-to-Specific Ordering"
Capitolo 3 "Decision Tree Learning"
Capitolo 5 "Evaluating Hypotheses"
Capitolo 6 "Bayesian Learning"
Nils J. Nilsson (Stanford University) mette a disposizione delle note di introduzione all'apprendimento automatico che possono essere usate per l'approfondimento dei contenuti del modulo.
Nils J. Nilsson, Introduction to Machine Learning, 1998-2010.
Per il corso sono di particolare interesse i Capitoli 1, 6, 8 e 9
Un altro buon libro, disponibile online, che puo' essere usato come riferimento per gli aspetti di apprendimento Bayesiano e'
David Barber, Bayesian Reasoning and Machine Learning, Cambridge University Press, 2011 (IN PRESS).
Per il corso sono di particolare interesse i Capitoli da 1, 2, 8, 9, 10, 15 e 16.
Nel dettaglio delle lezioni vengono proposte alcune letture consigliate in aggiunta ai libri di riferimento.
I lucidi saranno pubblicati online a seguito della lezione.
Calendario
| Data |
Argomento |
Libro |
Approfondimenti
e
Materiale
Aggiuntivo |
|
| 1 |
12/05/2011 14-16 Aula B |
Introduzione
all'Apprendimento Automatico |
[AIMA] Sect. 18.1,
18.2, 18.4 [MML] Chapter 1 |
Approfondimenti [1] Cap. 1 |
| 2 |
13/05/2011 11-13 Aula C |
Apprendimento
induttivo di concetti (Simi) |
[MML] Chapter 2 | |
| 3 |
16/05/2011 11-13 Aula B1 |
Apprendimento di
alberi di decisione + Esercitazione (Simi) |
[AIMA] Sect. 18.3 [MML] Chapter 3 |
Approfondimenti [1] Cap. 6 |
| 4 |
19/05/2011 14-16 Aula B | Analisi Esplorativa
I: Feature Extraction |
[2] 15.1, 15.2, 15.3, 16.1 | Approfondimenti [2] 15.1, 15.2, 15.3 (Linear feature extraction e PCA) 16.1 (Cenni di supervised feature extraction) |
| 5 |
20/05/2011 11-13 Aula C | Analisi Esplorativa
II: Feature Selection e Clustering |
[1] Cap. 9 | Approfondimenti [1] Cap. 9 [3] Un interessante articolo di review per approfondire la feature selection. |
| 6 |
23/05/2011 11-13 Aula B1 |
Esercitazione (Simi) | ||
| 7 |
26/05/2011 14-16 Aula B | Apprendimento
Bayesiano |
[AIMA] Sect. 20.1,
20.2 [MML] Sect. 6.1-6.3, Sect. 6.5-6.9 |
Approfondimenti [2] Cap. - 1,2,8,9 |
| 8 |
27/05/2011 11-13 Aula C |
Applicazioni dell'Apprendimento Automatico | |
Approfondimenti [2] Cap. - 10 |
| 9 |
30/05/2011 11-13 Aula B1 |
Modelli Avanzati e Teoria dell'Apprendimento (Micheli) | [AIMA] Sect. 18.5,
18.7, 18.8 [MML] Chapter 5 |
Approfondimenti [1] Cap. 8 |
Bibliografia
[1] Nils J. Nilsson, Introduction to Machine Learning, 1998-2010.[2] David Barber, Bayesian Reasoning and Machine Learning, Cambridge University Press, 2011 (IN PRESS).
[3] I. Guyon and A. Elisseeff. 2003. An introduction to variable and feature selection. J. Mach. Learn. Res. 3 (March 2003), 1157-1182.