I materiali pubblicati sul sito costituiscono rielaborazioni personali del Publisher di informazioni apprese con la frequenza delle lezioni e lo studio autonomo di eventuali testi di riferimento in preparazione all’esame finale o della tesi. Non devono intendersi come materiale ufficiale dell’università attribuibile al docente del corso.
…continua
Ultimi appunti inseriti
Appunti più scaricati
Appunti per nome

Filtra per

Tutte le tipologie

Ordina

Filtra

Appunti degli studenti per corsi ed esami del Prof. Di Noia Tommaso

icona-appunti
icona-appunti

Appunti del corso di Machine Learning Premium

Esame Foundamental of machine learning

Facoltà Ingegneria i

Dal corso del Prof. T. Di Noia

Università Politecnico di Bari

Appunti esame
Scarica
In questo file troverete tutti gli argomenti trattati durante il corso di Foundamental of Machine Learning (Fondamenti di Machine Learning), in particolare: regressione lineare e logistica, reti neurali, alberti e foreste, clustering, PCA, ICA, … . Sono stati scritti integrando sia gli appunti presi a lezione che il materiale didattico fornito dal professore Di Noia.
...continua
icona-appunti
icona-appunti

Appunti completi del corso di Machine Learning Premium

Esame Machine learning

Facoltà Ingegneria i

Dal corso del Prof. T. Di Noia

Università Politecnico di Bari

Appunto
4 / 5
Scarica
Appunti di Machine Learning, che mi hanno permesso di prendere un voto pari a 28/30, in quanto scritti nel minimo dettaglio, riportando parola per parola negli appunti quanto detto dal prof. di Noia e dai suoi assistenti durante le lezioni. Gli argomenti sono trattati al meglio, rendendone la comprensione facile ed intuitiva grazie ai molti esempi presenti trattati a lezione.
...continua
icona-appunti
icona-appunti

Appunti Machine Learning Premium

Esame Machine learning

Facoltà Ingegneria i

Dal corso del Prof. T. Di Noia

Università Politecnico di Bari

Appunto
3,5 / 5
Scarica
Appunti completi del corso di Machine Learning/Big Data Analytics del prof. T. Di Noia, risultato di studio e rielaborazione personale basata sul libro consigliato per il corso. Gli argomenti trattati sono: Linear Regression, Gradient Descent, Normalization, Likelihood Function, Classification, Logistic Regression, One vs All, Fitting problem: Bias and Variance, Regularization, Neural Networks, Backpropagation Algorithm, Decision Trees, Random Forest, How to build a ML system, Cross Validation, SVM, Recommender Systems, Unsepervised Learning, KMeans, KMedoids, Gaussian Mixture Models, Hierarchical Clustering, DBSCAN, HDBSCAN, Dimensionality Reduction, PCA, SVD, ICA, Kernel PCA.
...continua