715SM - STATISTICA COMPUTAZIONALE 2015
Schema della sezione
-
Le slides del corso, come viste a lezione
-
Dei libri di riferimento per il corso. In pdf ad uso e consumo.
-
In questa sezione, troverete i video di alcune lezioni. Link a youtube.
-
Qui si trovano dati, codice Matlab, e altre amenità per il laboratorio sulla regressione lineare.
-
Data Sets File ZIP
-
Esercizi File PDF
-
-
Dataset and tasks
-
Data set File ZIP
-
-
Files and data and tasks!
-
Data and tasks!
-
Lab 4 tasks File PDF
-
Data sets File ZIP
-
-
File e assegnamento
-
Lab 6 assignment
- Implement a Parzen density estimator for a general kernel, passed as a parameter to the method.
- Apply the method to the dataset available in this section.
-
Tasks Lab 7 File PDF
-
Componenti: Luca e Davide.
Task 1: Regressione.
Si scarichi il dataset Communities and Crime Data Set, da questo link, si importino i dati in matlab/octave, si estragga dal dataset un set di training, uno di test, ed eventualmente uno di validazione, e si addestri un predittore efficiente mediante un metodo di regressione a scelta, valutandone la performance, per la variabile target specificata nella pagina di descrizione. Se ritenuto necessario, preprocessare i dati, per esempio mediante dimensionality reduction, withening, standardizzazione.Task 2: Classificazione.
Si scarichi il dataset MNIST (handwritten Digits), da questo link, si importino i dati in matlab/octave (usare per esempio questo programma per leggerli), si estragga dal dataset un set di training, uno di test, ed eventualmente uno di validazione, e si addestri un classificatore efficiente mediante un metodo di classificazione a scelta, valutandone la performance. Si consideri un problema di classificazione a due classi (scegliendo due famiglie di cifre) e il problema di classificazione multiclass (con tutte le 10 cifre). Se ritenuto necessario, preprocessare i dati, per esempio mediante dimensionality reduction, withening, standardizzazione. -
Componenti: Maria e Jordan.
Task 1: Regressione.
Si scarichi il dataset Energy Efficiency Data Set, da questo link, si importino i dati in matlab/octave, si estragga dal dataset un set di training, uno di test, ed eventualmente uno di validazione, e si addestri un predittore efficiente mediante un metodo di regressione a scelta, valutandone la performance (per entrambi gli output, separatamente, come specificato nella pagina di descrizione). Se ritenuto necessario, preprocessare i dati, per esempio mediante dimensionality reduction, withening, standardizzazione.Task 2: Classificazione.
Si scarichi il dataset Vertebral Column Data Set, da questo link, si importino i dati in matlab/octave, si estragga dal dataset un set di training, uno di test, ed eventualmente uno di validazione, e si addestri un classificatore efficiente mediante un metodo di classificazione a scelta, valutandone la performance. Si consideri il problema a due classi, e come extra il problema a tre classi (i file di dati sono diversi). Se ritenuto necessario, preprocessare i dati, per esempio mediante dimensionality reduction, withening, standardizzazione. -
Componenti: Anna Teresa e Francesca.
Task 1: Regressione.
Si scarichi il dataset Combined Cycle Power Plant Data Set, da questo link, si importino i dati in matlab/octave, si estragga dal dataset un set di training, uno di test, ed eventualmente uno di validazione, e si addestri un predittore efficiente mediante un metodo di regressione a scelta, valutandone la performance (per l'unico output, come specificato nella pagina di descrizione). Se ritenuto necessario, preprocessare i dati, per esempio mediante dimensionality reduction, withening, standardizzazione.Task 2: Classificazione.
Si scarichi il dataset banknote authentication Data Set, da questo link, si importino i dati in matlab/octave, si estragga dal dataset un set di training, uno di test, ed eventualmente uno di validazione, e si addestri un classificatore efficiente mediante un metodo di classificazione a scelta, valutandone la performance. Il problema di classificazione è a due classi. Se ritenuto necessario, preprocessare i dati, per esempio mediante dimensionality reduction, withening, standardizzazione.