CLEF/M

Lingua Insegnamento:

Italiano
Testi di riferimento:

Slides.James G., Witten D., Hastie T., Tibshirani R., An Introduction to Statistical Learning, Springer.Materiale ed esercizi forniti dal docente.
Obiettivi formativi:

Il corso fornisce gli strumenti statistici fondamentali del Machine Learning moderno, con particolare attenzione alla previsione, classificazione, interpretazione dei modelli e validazione. Gli studenti acquisiscono capacità di applicare tecniche di statistical learning a dati reali, confrontare algoritmi e interpretarne criticamente i risultati.
Prerequisiti:

Conoscenze di statistica di base, probabilità, regressione lineare e uso elementare di R
Metodi didattici:

54 ore di lezioni frontali con esempi applicativi ed esercitazioni al calcolatore in R. Frequenza consigliata.
Modalità di verifica dell'apprendimento:

Esame scritto con quesiti teorici ed esercizi applicativi riguardanti costruzione, interpretazione e confronto di modelli di statistical learning.
Sostenibilità:
Altre Informazioni:

Il corso introduce i principali metodi dell'apprendimento statistico supervisionato per problemi di regressione e classificazione. Sono trattati: introduzione allo statistical learning; compromesso bias-varianza; validazione dei modelli e cross-validation; selezione del modello lineare; metodi di regolarizzazione (Ridge e LASSO); regressione polinomiale, spline e GAM; bootstrap; regressione logistica; valutazione delle prestazioni di un classificatore; alberi di classificazione e regressione (CART); analisi discriminante lineare; Support Vector Machines; metodi di insieme (bagging, random forests e boosting) con applicazioni in R su dati reali.

Introduzione allo Statistical Learning; apprendimento supervisionato; bias-varianza; training, validation e test set; cross-validation; criteri AIC, BIC e Cp; selezione del modello lineare; Ridge e LASSO; regressione polinomiale; spline di regressione; GAM; bootstrap; regressione logistica; odds ratio e valutazione dei classificatori; curve ROC, misure di accuratezza; alberi CART; LDA e QDA; Support Vector Machines; bagging; Random Forests; boosting; classificazione con dati sbilanciati; applicazioni con R a problemi di credit scoring e altri dataset.