http://www.disi.unige.it/person/MasulliF/RN101
Soft Computing e Applicazioni Industriali -Simulatori e implementazioni hardware di sistemi di Soft Computing.
Metodi di ricerca analitici, enumerativi e casuali - Steepest Ascend/Descent Procedures - Simulated Annealing - Applicazione al problema TSP.
Generazione di numeri casuali con distribuzione uniforme - Applicazioni della legge di trasformazione delle probabilita'.
Macchine ad apprendimento automatico - Compiti di apprendimento - Bias/variance tradeoff - Funzioni approssimanti - Proprieta' di approssimazione universale di funzioni&ieta' di approssimazione universale di funzioni - Teoria statistica dell'apprendimento - Paradigmi di apprendimento - Generalizzazione - Misure di similarita`/dissimilarita` - Overfitting/Overtraining - Apprendimento parametrico e non-parametrico - Curse of dimensionality - Complessita' di insiemi di funzioni - Dimensione di Vapnik-Chervonenkis - Principi induttivi - Minimum description length - Penalizzazione/regolarizzazione - Mimizzazione del rischio strutturale.
Percettroni semplici e multistrato
Neurone e reti di neuroni biologici - Neurone di Mc Culloch e Pitts - Percettroni semplici - Percettroni multistrato - Regola di apprendimento Back-Propagation - Metodi di ottimizzazione di second'ordine - Metodi globali - Teorema di approssimazione universale di funzioni - Applicazione alla regressione - Euristiche per l'implementazione di percettroni multistrato.Riconoscimento delle forme e reti neurali
Classificazione supervisionata e non supervisionata - Regola di decisione di Bayes - Minimizzazione del rischio - Applicazione alla classificazione - Equivalenza di classificatori gaussiani e ADALINE - Classificatori supervisionati parametrici e non parametrici - App non parametrici - Applicazione di percettroni multistrato alla classificazione - Teorema di approssimazione della funzione discrimazione della funzione discriminante di Bayes con percettroni multistrato - Problema dei falsi positivi - Reti di funzioni a base radiale.Altre reti neurali supervisionate
Reti per previsione di serie temporali - Tapped Delay Neural Networks - Reti Neurali Ricorrenti - Memorie Associative Neurali - Rete di Hopfield - Applicazione a problemi di ottimizzazione combinatoria .Modelli di classificazione non-supervisionata
Clustering e Quantizzazione Vettoriale - Code-books- Tassellazione di Voronoi - Approccio Parametrico al clustering - Massima Verosomiglianza - Hard C-Means - Quantizzazione Vettoriale con apprendimento by pattern - Mappe Auto-organizzanti.
Algoritmi Genetici - Teorema degli schemi - Funzioni GA-hard - Minimal Deceptive Problem - Convergenza prematura - Stagnazione - Operatori avanzati di selezione - Operatori avanzati di crossover - GA per ottimizzazione combinatoria - Stategie Evolutive .
Ulteriori dettagli del programma sono presenti sul
Syllabus
- D.E. Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning, Addison Wesley, 1989 (MAT 68-1989-48IN, CHI1 M.9, ING1 A.ELE.T.0264).
- C. Domeniconi & M. Jordan. Discorsi sulle Reti Neurali e l'Apprendimento", Franco Angeli Editore, 2001.
- H.D.I Abarbanel, Analysis of Observed Chaotic Data, Springer, 1996 (MAT 68-1996-198,IFI BIBL.DOC.53).
- C.M. Bishop, Neural Networks for Pattern Recognition, Oxford U.P., 1995 ( (MAT 68-1995-190, ING2 AI.0135. ARC C.3673, SAV 006.3 BIS).
- C. Chatfield, The Analysis of Time Se SAV 006.3 BIS).
- C. Chatfield, The Analysis of Time Series-An Introduction, Chapmann and Hall, 1996 (MAT 68-1996-196).
- V. Cherkassky e F. Mulier, Learning from data : concepts, theory, and methods, Wiley, 1998 (MAT 68-1998-229)
- N. Cristianini, J. Shawe,TaylorAn Introduction to Support Vector Machines : And Other Kernel-Based Learning Methods, Cambridge University Press, 2000.
- R.O. Duda e P.E. Hart, Pattern Classification and Scene Analysis, J. Wiley & Sons, 1973, (MAT 68-1973-03IN, ING2 EL.0069).
- D. Floreano, Manuale sulle Reti Neurali, Il Mulino, 1996 (ARC C.3475, ECO 006.3/001).
- D.B. Fogel, Evolutionary Computation, IEEE Press, 1995 (MAT 68-1995-191).
- J. Hertz, A. Krogh, & R.G. Palmer, Introduction to the Theory of Neural Computation, Addison Wesley, 1991 (MAT 68-1991-118, FIS 577.27 HER 70, ING2 EL.0666, ING2 EL.0665, ING2 EL.0994)NG2 EL.0665, ING2 EL.0994).
- S. Haykin, Neural Networks-A Comprehensive Foundation (2nd ed.) , IEEE Press, 1998 (MAT 68-1994-037IN).
- V. Kechman, Learning and Soft Computing, MIT Press, Cambridge, MA, 2001
- J.R. Koza, Genetic Programming, MIT Press, 1992 (MAT 68-1992-038IN).
- M. Mitchell, An Introduction to Genetic Algoritms, MIT Press, 1996 (MAT 68-1996-197).
- A. Papoulis Probalility, random variables and stochastic processes, McGraw-Hill, 1991 (IMI MM:0259, ING2 GE.0925, ING2 MAN.04.0038, ING1 A.MAT.T.0252, ING2 MAN.04.0026).
- T.S. Parker & L.O. Chua, Practical Numerical Algorithms for Chaotic Systems, Springer Verlag, 1989 (MAT 68-1989-49IN, IID 32.2.006).
- W.H. Press, S. A. Teukolsky, W.T. Vetterling, B.P. Flannery Numerical Recepies in C: the Art of Scientific Computing (2nd ed.), Cambridge University Press, 1992 (MAT 68-1992-094, NG2 EL.O1.0151, DISEG F.0796). Vedi anche sito web ww.nr.com .
- H.P. Schwefel, Evolution and Optimum Seeking, J. Wiley & Sons, 1995.