Gli obiettivi del corso sono di introdurre i principi e l'analisi critica dei principali paradigmi per l'apprendimento da insiemi di dati e sue applicazioni.
I concetti sono introdotti progressivamente dagli approcci più semplici fino ai modelli allo stato dell'arte nell'ambito dell’inquadramento concettuale generale e moderno del machine learning. Il corso si focalizza in particolare sull'analisi critica delle caratteristiche per la realizzazione e l'uso appropriato di algoritmi di apprendimento di funzioni da esempi e per la modellazione e valutazione sperimentale.

- Introduzione: Compiti computazionali nell'apprendimento predittivo e concetto di generalizzazione.
- Modelli e concetti di base: struttura dello spazio delle ipotesi, spazi discreti e continui, modelli lineari, nearest neighbor, modelli proposizionali, bias induttivo.
- Modelli Neurali: Perceptron e proprietà computazionali. Introduzione alle Reti Neurali multistrato feedforward: architetture e algoritmi di apprendimento.
- Modelli basati su regole.
- Principi dell'apprendimento ed aspetti pratici generali: Validazione, Analisi Bias-Variance. Elementi di Statistical Learning Theory, VC-dimension. Comitati di modelli.
- Support Vector Machines: caso lineare, margine, caso non-lineare, modelli a Kernel.
- Modelli Bayesiani e Grafici.
- Apprendimento non supervisionato.
- Introduzione alle Applicazioni.