Roberto TAGLIAFERRI | RETI NEURALI E KNOWLEDGE DISCOVERY
Roberto TAGLIAFERRI RETI NEURALI E KNOWLEDGE DISCOVERY
cod. 0522500048
RETI NEURALI E KNOWLEDGE DISCOVERY
| 0522500048 | |
| DIPARTIMENTO DI INFORMATICA | |
| CORSO DI LAUREA MAGISTRALE | |
| INFORMATICA | |
| 2014/2015 |
| ANNO CORSO 2 | |
| ANNO ORDINAMENTO 2010 | |
| SECONDO SEMESTRE |
| SSD | CFU | ORE | ATTIVITÀ | |
|---|---|---|---|---|
| INF/01 | 6 | 48 | LEZIONE |
| Obiettivi | |
|---|---|
| CONOSCENZA E CAPACITÀ DI COMPRENSIONE (KNOWLEDGE AND UNDERSTANDING): LO STUDENTE APPROFONDIRÀ LA CONOSCENZA DI MODELLI AVANZATI DI INTELLIGENZA COMPUTAZIONALE, CON RIFERIMENTO A PROBLEMI DI CLASSIFICAZIONE, CLUSTERING E REGRESSIONE DEI DATI. QUESTE CONOSCENZE VERRANNO APPLICATE NELL’AREA DEL KNOWLEDGE DISCOVERY. LO STUDENTE ACQUISIRÀ I CONCETTI RELATIVI AL KNOWLEDGE DISCOVERY E COME USARLI INSIEME O COMPARARLI CON I MODELLI ADATTIVI. L’ ATTIVITÀ SARÀ COMPLETATA CON LO STUDIO DELLE METODOLOGIE STATISTICHE E DELL’OTTIMIZZAZIONE CHE PERMETTONO AI MODELLI DI APPRENDERE E GENERALIZZARE, CON ESPERIENZE APPLICATE ANCHE NELL’AREA DEL WEB KNOWLEDGE DISCOVERY. CAPACITA’ DI APPLICARE CONOSCENZA E COMPRENSIONE (APPLYING KNOWLEDGE AND UNDERSTANDING) LO STUDENTE ACQUISIRÀ LE SEGUENTI CAPACITÀ APPLICATIVE: - ANALISI DI PROBLEMI CONCRETI DI PATTERN RECOGNITION STATISTICO; - PROGETTAZIONE ED ESECUZIONE DEI PROGRAMMI PER LA REALIZZAZIONE DEI MODELLI STUDIATI SU DATI REALI E SINTETICI; - PROGETTAZIONE DI SISTEMI DI KNOWLEDGE DISCOVERY (KNOWLEDGE MINING/EXTRACTION/ELICITATION) E SPERIMENTAZIONE NEL WEB MINING - ANALISI DEI RISULTATI OTTENUTI. MEDIANTE LE CONOSCENZE ACQUISITE DURANTE IL CORSO, LO STUDENTE SARÀ IN GRADO DI ORIENTARSI IN SUCCESSIVI PROBLEMI DI DATA MINING E ANALISI DI DATI MULTIDIMENSIONALI CON MODELLI DI APPRENDIMENTO DA ESEMPI E LOGICA FUZZY. AUTONOMIA DI GIUDIZIO (MAKING JUDGEMENTS) LO STUDENTE ACQUISIRÀ LA CAPACITÀ DI ORIENTARSI NELLO STUDIO E RISOLUZIONE DI PROBLEMI DI ANALISI DI DATI MULTIDIMENSIONALE E DI DATA MINING. ABILITA’ COMUNICATIVE (COMMUNICATION SKILLS) LO STUDENTE ACQUISIRÀ LA CAPACITÀ DI DESCRIVERE CON PROPRIETÀ DI LINGUAGGIO LE CARATTERISTICHE DI MODELLI DI APPRENDIMENTO DA ESEMPI, DI PROBLEMATICHE DI ANALISI STATISTICA DI DATI MULTIDIMENSIONALI E DI DATA MINING. |
| Prerequisiti | |
|---|---|
| I CORSI FONDAMENTALI DELLA LAUREA TRIENNALE IN INFORMATICA. |
| Contenuti | |
|---|---|
| RETI NEURALI MULTI-STRATO CON APPRENDIMENTO DI TIPO BACK-PROPAGATION. RETI NEURALI RBF. ALTRI CLASSIFICATORI NON LINEARI. ALGORITMI AVANZATI DI CLUSTERING. ALBERI DI DECISIONE PER CLASSIFICAZIONE E REGRESSIONE. FORESTE RANDOM. SISTEMI FUZZY. CLUSTERING SOTTRATTIVO E FUZZY C-MEANS; ANFIS. SISTEMI DI SWARM INTELLIGENCE, PARTICLE SWARM OPTIMIZATION (LOCAL / GLOBAL) ANT COLONY OPTIMIZATION, DISTRIBUTED AND COLLABORATIVE PROBLEM SOLVING |
| Metodi Didattici | |
|---|---|
| LEZIONI ED ESERCITAZIONI IN AULA PER LA PRESENTAZIONE DELLE CONOSCENZE TEORICHE E PER LO SVILUPPO DELLE CAPACITÀ APPLICATIVE CHE DEBBONO ESSERE ACQUISITE DA PARTE DELLO STUDENTE. |
| Verifica dell'apprendimento | |
|---|---|
| ATTRAVERSO UN ESAME ORALE E/O LA PRESENTAZIONE DI UN ELABORATO O PROGETTO |
| Testi | |
|---|---|
| C.M. BISHOP: “PATTERN RECOGNITION AND MACHINE LEARNING”, SPRINGER SCIENCE, NEW YORK, 2006 SERGIOS THEODORIDIS, KONSTANTINOS KOUTROUMBAS: “PATTERN RECOGNITION”, 4TH EDITION. ACADEMIC PRESS, AMSTERDAM, 2008 ANDRIES P. ENGELBRECHT : "FUNDAMENTALS OF COMPUTATIONAL SWARM INTELLIGENCE". JOHN WILEY, 2005 |
| Altre Informazioni | |
|---|---|
| LA FREQUENZA DEL CORSO È FORTEMENTE CONSIGLIATA IN QUANTO CONSENTE UNA PIÙ RAPIDA ED EFFICACE COMPRENSIONE DEI FONDAMENTI TEORICI E DELLE TECNICHE APPLICATIVE. LO STUDENTE DOVRÀ DEDICARE UN ADEGUATO NUMERO DI ORE DI STUDIO, IN AGGIUNTA A QUELLE TRASCORSE IN AULA, PER IL NECESSARIO CONSOLIDAMENTO DELLA PROPRIA CONOSCENZA E PER LO SVILUPPO DELL’ABILITÀ APPLICATIVA DA ACQUISIRE. AI FINI DELLA VERIFICA DEL PROFITTO, PER LA PROVA ORALE LO STUDENTE DOVRÀ DEDICARE DELLE ORE DI STUDIO AL CONSOLIDAMENTO DELLA PADRONANZA DEI CONCETTI ED ALLA ACQUISIZIONE DI UNA ADEGUATA PROPRIETÀ DI LINGUAGGIO. PARALLELAMENTE, ATTRAVERSO LO SVOLGIMENTO DI UNA TESINA, LO STUDENTE DOVRÀ DEDICARE DELLE ORE DI STUDIO PER RAGGIUNGERE UNA ADEGUATA ABILITÀ NELL’APPLICAZIONE DEI MODELLI STUDIATI. |
BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2016-09-30]
