Descrizione del corso
Bibliografia
Prerequisiti: Sono richieste alcune conoscenze matematiche di
base quali: elementi di algebra lineare, elementi di analisi matematica
e teoria della probabilita'. Quando necessario, alcuni di questi aspetti
verranno brevemente ridiscussi durante il corso.
File post-script
con un riassunto dei metodi matematici utilizzati.
- Lezione 1: Introduzione alla teoria statistica dell'apprendimento
- Lezione 2: Spazi di funzioni con kernel I
- Lezione 3: Spazi di funzioni con kernel II
- Lezione 4: Support vector machines
- Lezione 5: Kernel in spazi discreti I
- Lezione 6: Kernel in spazi discreti II
- Lezione 7: Apprendimento di funzioni d'ordine
- Lezione 8: Classificazione in classi multiple
- Lezione 9: Stabilita' ed errore di leave-one-out
- Lezione 10: Feature selection con kernel machines
- F. Cucker and S. Smale. On The Mathematical Foundations of Learning. Bulletin of the American Mathematical Society, 2002.
- T. Evgeniou, M. Pontil and T. Poggio. Regularization Networks and Support Vector Machines. Advanced in Computational Mathematics, 13, pp 1--50, 2000.
- T. Hastie, R. Tibshirani, and J. Friedman. The Elements of statistical Learning, Springer, 2001