715SM - STATISTICA COMPUTAZIONALE 2015

Section outline

• Select section General

  General

  Collapse all Expand all

  • Select activity Forum News

    

    Forum News
• Select section Slides

  Slides

  Le slides del corso, come viste a lezione

  • Select activity Lezione 1 - introduzione

    

    Lezione 1 - introduzione File PDF
  • Select activity Lezione 2 - introduzione a probabilità e statistica

    

    Lezione 2 - introduzione a probabilità e statistica File PDF
  • Select activity Lezione 3 - introduzione a probabilità e statistica

    

    Lezione 3 - introduzione a probabilità e statistica File PDF
  • Select activity Lezione 4 - Regressione lineare

    

    Lezione 4 - Regressione lineare File PDF
  • Select activity Lezione 5 - regressione lineare Bayesiana

    

    Lezione 5 - regressione lineare Bayesiana File PDF
  • Select activity Lezione 7 - dual representation and introduction to classification

    

    Lezione 7 - dual representation and introduction to classification File PDF
  • Select activity Lezione 8 - funzioni discriminanti e regressione logistica

    

    Lezione 8 - funzioni discriminanti e regressione logistica File PDF
  • Select activity Lezione 9 - ottimizzazione

    

    Lezione 9 - ottimizzazione File PDF
  • Select activity Lezione 10 - approssimazione di Laplace e Regressione Logistica Bayesiana

    

    Lezione 10 - approssimazione di Laplace e Regressione Logistica Bayesiana File PDF
  • Select activity Lezione 11 - Constrained optimisation and SVM

    

    Lezione 11 - Constrained optimisation and SVM File PDF
  • Select activity Lezione 12 - processi Gaussiani

    

    Lezione 12 - processi Gaussiani File PDF
  • Select activity Lezione 13 - kernel e iperparametri per GP

    

    Lezione 13 - kernel e iperparametri per GP File PDF
  • Select activity Lezione 14 - classificazione GP

    

    Lezione 14 - classificazione GP File PDF
  • Select activity Lezione 15 - density estimation

    

    Lezione 15 - density estimation File PDF
  • Select activity Lezione 16 - clustering, EM, PCA

    

    Lezione 16 - clustering, EM, PCA File PDF
• Select section Bibliografia - libri di testo

  Bibliografia - libri di testo

  Dei libri di riferimento per il corso. In pdf ad uso e consumo.  

  • Select activity Bishop - Pattern Recognition and Machine Learning

    

    Bishop - Pattern Recognition and Machine Learning File PDF
  • Select activity Barber - Bayesian reasoning and Machine Learning

    

    Barber - Bayesian reasoning and Machine Learning File PDF
  • Select activity Rasmussen Williams - Gaussian Processes for Machine Learning

    

    Rasmussen Williams - Gaussian Processes for Machine Learning File PDF
• Select section Video delle lezioni

  Video delle lezioni

  In questa sezione, troverete i video di alcune lezioni. Link a youtube.

  • Select activity Lezione 13 - kernel functions

    

    Lezione 13 - kernel functions URL
  • Select activity Laboratorio -Processi Gaussiani

    

    Laboratorio -Processi Gaussiani URL
  • Select activity Clustering

    

    Clustering URL
  • Select activity Expectation Maximisation

    

    Expectation Maximisation URL
  • Select activity Principal Component Analysis

    

    Principal Component Analysis URL
• Select section Lab - Linear Regression

  Lab - Linear Regression

  Qui si trovano dati, codice Matlab, e altre amenità per il laboratorio sulla regressione lineare.

  • Select activity Data Sets

    

    Data Sets File ZIP
  • Select activity Combined Cycle Power Plant Data Set

    

    Combined Cycle Power Plant Data Set URL
  • Select activity Yacht Hydrodynamics Data Set

    

    Yacht Hydrodynamics Data Set URL
  • Select activity Esercizi

    

    Esercizi File PDF
• Select section Lab 2 - regularised regression

  Lab 2 - regularised regression

  Dataset and tasks 

  • Select activity Data set

    

    Data set File ZIP
  • Select activity Lab 2 - tasks

    

    Lab 2 - tasks File PDF
  • Select activity Task 1 - solution

    

    Task 1 - solution File ZIP
• Select section Lab 3 - Bayesian Regression

  Lab 3 - Bayesian Regression

  Files and data and tasks!

  • Select activity Tasks and Type II likelihood optimisation

    

    Tasks and Type II likelihood optimisation File PDF
• Select section Lab 4 - Logistic Regression

  Lab 4 - Logistic Regression

  Data and tasks!

  • Select activity Lab 4 tasks

    

    Lab 4 tasks File PDF
  • Select activity Data sets

    

    Data sets File ZIP
  • Select activity Task 1 - code

    

    Task 1 - code File ZIP
  • Select activity Logistic Regression - code

    

    Logistic Regression - code File ZIP
• Select section Lab 5 - Processi Gaussiani

  Lab 5 - Processi Gaussiani

  File e assegnamento

  • Select activity Lab 6 - task

    

    Lab 6 - task File PDF
  • Select activity kernel example

    

    kernel example File M
• Select section Lab 6/7 - Unsupervised learning

  Lab 6/7 - Unsupervised learning

  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. 

  • Select activity Density Estimation Data

    

    Density Estimation Data File ZIP
  • Select activity Tasks Lab 7

    

    Tasks Lab 7 File PDF
  • Select activity Data for PCA

    

    Data for PCA File ZIP
• Select section Esame - Gruppo 1

  Esame - Gruppo 1

  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. 
• Select section Esame: gruppo 2

  Esame: gruppo 2

  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. 
• Select section Esame: gruppo 3

  Esame: gruppo 3

  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.