Data mining and machine learning lab: Avvisi |
MATERIALE DEL CORSO |
|
R - SOFTWARE Per l'ambiente R, i suoi package e la documentazione fate riferimento al sito del progetto R.
In rete sono disponibili diversi manuali R. Alcuni sono elencati qui.MANUALI An introduction to R PDF R Data import/export PDF |
Orario lezioni:
Ricevimento: scrivere a frasca@di.unimi.it , anche per eventualmente fissare un appuntamento. |
LEZIONI
Lezione 1-p1 Lezione 1-p2 (23/03/2018). Introduzione al corso. Breve finestra sul linguaggio R: strutture dati, script e funzioni. Soluzioni esercizi. Partition.R. Lezione 2 (06/04/2018). Principali variabili aleatorie in R. Grafici delle funzioni di densità/massa di probabilità e di ripartizione. Distribuzioni empiriche. Esercitazioni. votiannuali.txt. Soluzioni esercizi. Lezione 3 (13/04/2018). Implementazione ed esercizi sul metodo massima verosimiglianza. Selezione del modello e stima degli errori di training e di test. Cross Validazione. Esempio pratico, classificazione binaria. Classificatore k-NN. Soluzioni esercizi. Lezione 4 (20/04/2018). Ancora sul classificatore kNN. Alberi di decisione., complessità e pruning dell'albero. Esercitazione pratica con il package R rpart. Lezione 5 (27/04/2018). Classificazione con dati sbilanciati. Esempio di albero di decisione cost-sensitive. Lezione 6 (04/05/2018). Esercitazione kNN e alberi di decisione. Introduzione alle random forest. Lezione 7 (11/05/2018). Random forest in R. Accenni ai problemi multi-classe e multi-etichetta Lezione 8-p1 Lezione 8-p2 (18/05/2018). SVM in R. Accenni ai problemi di apprendimento semi-supervisionato. Modelli di apprendimento basati su grafi. Reti di Hopfield e classificatori basati su reti di Hopfield: GAIN e COSNet. |