Syllabus del corso
Obiettivi formativi
Alla fine del corso gli studenti saranno in grado di analizzare e risolvere problemi di machine learning in un contesto aziendale, utilizzando tecniche di ottimizzazione non lineare. In particolare, gli studenti sapranno:
- comprendere i principi di base teorici e algoritmici dell'ottimizzazione non lineare;
- comprendere i principali modelli di machine learning per la risoluzione di problemi di classificazione supervisionata, classificazione non supervisionata e regressione, utilizzando software e strumenti specifici;
- individuare la tipologia di un problema reale di classificazione (supervisionata e non) o regressione che sorge in ambito aziendale ed applicare le tecniche di machine learning ed ottimizzazione più appropriate per risolverlo.
Contenuti sintetici
Problemi di ottimizzazione non lineare: teoria ed algoritmi.
Modelli di machine learning per problemi di classificazione e regressione.
Programma esteso
- Ottimizzazione non lineare non vincolata: esistenza di soluzioni ottime, condizioni di ottimalità, algoritmi risolutivi.
- Ottimizzazione non lineare vincolata: esistenza di soluzioni ottime, condizioni di ottimalità, algoritmi risolutivi.
- Modelli di machine learning per problemi di classificazione supervisionata.
- Modelli di machine learning per problemi di classificazione non supervisionata.
- Modelli di machine learning per problemi di regressione.
- Esempi e casi di studio in ambito aziendale risolti con software open source.
Prerequisiti
Algebra lineare: somma e prodotto tra matrici, determinante e traccia di una matrice, autovalori e autovettori di una matrice, risoluzione di sistemi lineari. Nozioni di base di probabilità. Nozioni di base di calcolo differenziale in più variabili.
Metodi didattici
Il modulo prevedere una attività didattica di 21 ore suddivise nel modo seguente:
- 15 ore di lezione frontali svolte in modalità erogativa in presenza;
- 6 ore di esercitazione svolte in modalità interattiva in presenza.
Modalità di verifica dell'apprendimento
L'esame consiste in una prova orale obbligatoria (colloquio sugli argomenti svolti a lezione). La prova orale ha lo scopo di verificare la conoscenza delle tecniche di ottimizzazione e machine laerning per la risoluzione di problemi di classificazione e regressione introdotti durante il corso.
Testi di riferimento
Il materiale verrà fornito durante il corso in forma di slide, esercizi, dataset e workflow.
Periodo di erogazione dell'insegnamento
Secondo semestre.
Lingua di insegnamento
Italiano.
Sustainable Development Goals
Learning objectives
By the end of the course, students will be able to analyse and solve machine learning problems in a business context, using nonlinear optimization techniques. In particular, students will be able to:
- understand the basic theoretical and algorithmic principles of nonlinear optimization;
- understand the main machine learning models for solving supervised classification, unsupervised classification and regression problems, using specific software and tools;
- identify the type of a real classification (supervised/unsupervised) or regression problem that arises in the business environment and apply the most appropriate machine learning and optimization techniques to solve it.
Contents
Nonlinear optimization problems: theory and algorithms.
Machine learning models for classification and regression problems.
Detailed program
- Nonlinear unconstrained optimization: existence of optimal solutions, optimality conditions, solution algorithms.
- Constrained nonlinear optimization: existence of optimal solutions, optimality conditions, solution algorithms.
- Machine learning models for supervised classification problems.
- Machine learning models for unsupervised classification problems.
- Machine learning models for regression problems.
- Examples and case studies in the business environment solved with open source software.
Prerequisites
Linear algebra: sum and product between matrices, determinant and trace of a matrix, eigenvalues and eigenvectors of a matrix, solving linear systems. Basic notions of probability. Basics of differential calculus in several variables.
Teaching methods
The module will provide a teaching activity of 21 hours divided as follows:
- 15 hours of face-to-face lectures conducted in in-person delivery mode;
- 6 hours of exercises conducted in interactive in-presence mode.
Assessment methods
The examination consists of a compulsory oral test (interview on the topics covered in the course). The oral test is designed to test knowledge of optimization and machine learning techniques for solving classification and regression problems introduced during the course.
Textbooks and Reading Materials
Material will be provided during the course in the form of slides, exercises, datasets and workflows.
Semester
Second semester.
Teaching language
Italian.
Sustainable Development Goals
Staff
-
Mauro Passacantando
