Prof. Giovanni Maria Farinella

Corso di Laurea in Informatica

Dipartimento di Matematica e Informatica

Università degli Studi di Catania

A.A. 2025/2026

Le lezioni avranno inizio il 10 ottobre 2025

Per informazioni su possibili tesi/stage (anche in collaborazione con aziende)

è preferibile fissare un appuntamento con il docente via email

Aula: 23

Ora: 17-19

Giorno: Vedasi Calendario delle Lezioni

Ricevimento: Venerdì dalle 15:00 alle 16:00 (è consigliato inviare email per concordare l'orario).


Descrizione del Corso

Lo scopo del corso è quello di fornire un'approfondita introduzione delle principali teorie e tecniche algoritmiche del Learning Machine. A tal proposito, saranno presentati formalmente i modelli fondamentali dello stato dell’arte per la classificazione e la regressione. Verrà introdotto l’approccio moderno dell’apprendimento automatico e saranno presentati casi applicativi in diversi contesti di rilevanza accademica e industriale (es. object detection). Saranno discusse le metodologie per realizzare e ottimizzare algoritmi di apprendimento automatico, e quelle utili alla valutazione delle performance dei sistemi di Machine Learning. La presentazione degli argomenti si sviluppa mediante lezioni teoriche e laboratoriali in cui gli studenti implementeranno e utilizzeranno gli algoritmi trattati mediante linguaggio Python e librerie software open source (es. PyTorch) adattandoli a problemi specifici mediante un progetto sviluppato dagli studenti del corso

 
Argomenti Principali
  • Introduction to Machine Learning - Basic Concept
  • Decision tree
  • Random Forests  
  • Linear/Logistic Regression  
  • Polynomial Linear/Logistic Regression  
  • Perceptron
  • SoftMax/MLP  
  • Kernel Machines
  • Combining Methods
Libri di Testo
  • Materiale fornito dal docente 
  • R. O. Duda, P. E. Hart, D. G. Stork, "Pattern Classification", Wiley, 2000 
  • C. Bishop, “Pattern Recognition and Machine Learning", Springer, 2006 
  • E. Alpaydin, “Introduction to Machine Learning”, MIT Press, 2014 
  • I. Goodfellow, Y. Bengio and A. Courville, "Deep Learning", MIT Press, 2016 
  • Raul Rojas, Neural Networks - A Systematic Introduction, Springer, 1996 
  • M. P. Deisenroth, A A. Faisal, and C. Soon On, Mathematics for Machine Learning, MIT Press, 2019
Modalità d'Esame
 

Modalità di Valutazione

Valutazione del progetto e della relazione: 50%
Valutazione della prova scritta e degli eventuali homework: 50%