- Oggetto:
Advanced machine learning
- Oggetto:
Advanced machine learning
- Oggetto:
Anno accademico 2024/2025
- Codice attività didattica
- ECM0329
- Docenti
- Luciana Dalla Valle (Titolare del corso)
- Corso di studio
- Laurea magistrale in Metodi statistici ed economici per le decisioni - a Torino [0402M21]
- Anno
- 2° anno
- Periodo
- Da definire
- Tipologia
- Affine o integrativo
- Crediti/Valenza
- 6
- SSD attività didattica
- SECS-S/01 - statistica
- Erogazione
- Tradizionale
- Lingua
- Inglese
- Frequenza
- Fortemente consigliata/Recommended
- Tipologia esame
- Orale
- Prerequisiti
- Il corso presuppone la conoscenza dei modelli presentati nel corso di Data mining e statistical learning, e il linguaggio di programmazione R.
Knowledge of the models presented in the Data mining and statistical learning course, and of the R programming language. - Oggetto:
Sommario insegnamento
- Oggetto:
Obiettivi formativi
L'insegnamento è finalizzato a:
-
Fornire agli studenti una comprensione approfondita delle tecniche contemporanee di modellazione e analisi per il data science.
-
Fornire agli studenti un'ampia gamma di strumenti per il machine learning avanzato.
-
Fornire un'esperienza di problem solving rilevante per il mondo del lavoro.
Course aims and objectives:
-
to give students an in-depth understanding of contemporary modelling and analytics techniques for data science
-
to provide students with a broad toolbox for advanced machine learning.
-
to supply employment-relevant problem-solving experience.
-
- Oggetto:
Risultati dell'apprendimento attesi
Al termine del corso lo studente dovrà essere in grado di:
-
Mostrare una comprensione approfondita delle tecniche di modellazione e analisi avanzate di machine learning e una consapevolezza critica dei loro limiti.
-
Scegliere e valutare criticamente le tecniche di modellazione e di analisi appropriate in situazioni pratiche nuove e complesse.
-
Presentare i risultati in modo professionale e sistematico.
At the end of the course the learner will be expected to be able to:
-
Display an in-depth understanding of a broad range of up-to-date modelling and analytics advanced machine learning techniques and a critical awareness of their limitations.
-
Critically choose and evaluate appropriate modelling or analytics techniques in new and complex practical situations.
-
Present results professionally and systematically.
-
- Oggetto:
Programma
I contenuti riguarderanno alcune delle principali tecniche avanzate di data science e machine learning, quali, per esempio:
-
introduzione ai modelli grafici
-
reti Bayesiane
-
Bayesian additive regression trees (BART)
-
deep learning e artificial neural networks
-
cenni ai large language models (LLM)
-
hidden Markov models (HMM)
The course will cover some of the main advanced data science and machine learning techniques, such as, for example:
-
introduction to graphical models
-
Bayesian networks
-
Bayesian additive regression trees (BART)
-
deep learning and artificial neural networks
-
introduction to large language models (LLM)
-
hidden Markov models (HMM)
-
- Oggetto:
Modalità di insegnamento
Lezioni frontali e laboratori con utilizzo del software R.
Lectures and laboratories using the R software.
- Oggetto:
Modalità di verifica dell'apprendimento
Per i frequentanti la valutazione finale includerà un lavoro di gruppo (50%) e un esame orale (50%).
Gli studenti dovranno lavorare in piccolo gruppi di massimo 4 studenti e produrre un report dell’analisi di un set di dati, focalizzandosi sui metodi di data science e machine learning introdotti nel corso, dimostrando di averne una piena comprensione; dovranno inoltre integrare le analisi con le opportune interpretazioni dei risultati.
Il formato del report finale è una presentazione (power point o pdf) che evidenzi i modelli usati, le elaborazioni effettuate ed i risultati ottenuti.
La presentazione verrà integrata con una discussione degli argomenti visti a lezione.
Per i non frequentanti il lavoro di gruppo è sostituito da un lavoro individuale da concordare con la docente.
For students attending the course, the final assessment will include group work (50%) and an oral examination (50%).
Students will be asked to work in small groups of up to 4 students and produce a report of the analysis of a dataset, focusing on the data science and machine learning methods introduced in the course, demonstrating a full understanding of them; students will also provide appropriate interpretations of the results.
The format of the final report is a presentation (power point or pdf) highlighting the models used, the code implemented and the results obtained.
The presentation will be supplemented with a discussion of the topics covered in the lectures.
For students not attending the course, the group work is replaced by individual work to be agreed with the lecturer.
Testi consigliati e bibliografia
- Oggetto:
- Libro
- Titolo:
- Bayesian networks in R
- Anno pubblicazione:
- 2013
- Editore:
- Springer
- Autore:
- Nagarajan, R., Scutari, M., & Lèbre, S.
- Obbligatorio:
- Si
- Oggetto:
- Libro
- Titolo:
- An Introduction to Statistical Learning (with Applications in R)
- Anno pubblicazione:
- 2021
- Editore:
- Springer-Verlag
- Autore:
- James, G., Witten, D., Hastie, T., & Tibshirani, R.
- Capitoli:
- 8 e 10
- Obbligatorio:
- Si
- Oggetto:
- Libro
- Titolo:
- Mixture and hidden Markov models with R
- Anno pubblicazione:
- 2022
- Editore:
- Springer
- Autore:
- Visser, I., & Speekenbrink, M.
- Obbligatorio:
- Si
- Oggetto:
-
appunti e materiali resi disponibili online nella pagina Moodle dell'insegnamento.
-
Højsgaard, S., Edwards, D., & Lauritzen, S. (2012). Graphical models with R. Springer Science & Business Media.
-
Ghatak, A. (2019). Deep learning with R. Singapore: Springer Singapore.
-
- Registrazione
- Aperta
- Oggetto:
