Recommender Systems
statistical methods for machine learning
6 CFU, laurea magistrale in Informatica (F94)
machine learning
6 CFU, MSc in Data Science and Economics

INSTRUCTOR/DOCENTE: Nicolò Cesa-Bianchi

News

Bibliographic references:

Lecture notes provided by the instructor

The course makes heavy use of probability and statistics. A good textbook on these topics is:

Dimitri P. Bertsekas and John N. Tsitsiklis, Introduction to Probability (2nd edition). Athena Scientific, 2008.

Some good machine learning textbooks:
Shai Shalev-Shwartz e Shai Ben-David, Understanding Machine Learning: From Theory to Algorithms, Cambridge University Press, 2014.

Mehryar Mohri, Afshin Rostamizadeh e Ameet Talwalkar, Foundations of Machine Learning, MIT Press, 2012.

L. Devroye, L. Gyorfi, and G. Lugosi, A Probabilistic Theory of Pattern Recognition, Springer, 1996.

Goals

Machine learning is concerned with the design of algorithms that can predict the evolution of a phenomenon based of a set of observations. A standard tool in the development of intelligent systems, machine learning has been successfully applied to a wide range of domains, including vision, speech and language, human-computer interaction, personalized recommendations, health and medicine, autonomous navigation, and many more. The course will describe and analyze, in a rigorous statistical framework, some of the most important machine learning techniques. This will provide the student with a rich set of methodological tools for understanding the general phenomenon of learning in machines.

Syllabus

Topics are not taught ncessarily in this order. English versions of lecture notes will be made available during the semester.

  1. Introduction
  2. L'algoritmo Nearest Neighbour (versione del 7 aprile 2018)
  3. Predittori ad albero (versione del 7 maggio 2018)
  4. Cross validazione (versione del 1 marzo 2018)
  5. Rischio statistico e sua analisi (versione del 7 aprile 2018)
  6. Rischio nei predittori ad albero (versione del 26 marzo 2018)
  7. Rischio in Nearest Neighbour (versione del 27 marzo 2018)
  8. Consistenza e algoritmi nonparametrici (versione del 16 aprile 2018)
  9. Compression bounds (versione del 30 aprile 2018)
  10. Classificatori lineari (versione del 5 maggio 2018)
  11. Online gradient descent (versione del 30 aprile 2018)
  12. Da rischio sequenziale a rischio statistico (versione del 16 maggio 2018)
  13. Funzioni kernel (versione del 18 maggio 2018)
  14. Support Vector Machines (versione del 28 maggio 2018)
  15. Stability bounds e controllo del rischio in SVM (versione del 20 maggio 2018)
  16. Boosting (versione del 14 giugno 2017)
  17. Regressione logistica, funzioni surrogate e consistenza (versione del 1 giugno 2017)
  18. Reti neuronali e deep learning (versione del 6 giugno 2018)
  19. Riduzione di dimensionalità (versione del 14 giugno 2017)
  20. Exponential weights: when experts become bandits (guest lecture, versione del 16 marzo 2018)
  21. Regressione ai minimi quadrati (in preparazione)

Exams

Course calendar:

Browse the calendar pages and click on a day to find out the class topic.