Machine Learning 2025/2026

Richiami di statistica bayesiana e apprendimento bayesiano
Modelli grafici e reti bayesiane
Supervised learning: Regressione (lineare e non) e regolarizzazione
Feature selection, cenni
Classificazione lineare: LDA di Fisher, perceptron, Naive bayes
Modelli generativi per la classificazione
Modelli discriminativi per la classificazione, regressione logistica
Support vector machines, kernel
Multilayer perceptron
Modelli non parametrici: knn e Parzen windows
Processi gaussiani
Alberi di decisione
Ensemble models: bagging, boosting, random forests, Adaboost, Gradient boosting
Unsupervised learning
Clustering: k-means, mixture models
Dimensionality reduction: Principal component analysis, Probabilistic principal component analysis, Factor analysis
Testo, pair matrices e recommenders
Latent semantic analysis
Deep learning
Convolutional networks
Recurrent e LSTM networks
Autoencoders, the EM algorithm e Variational encoders

---

Fonte: GOMP