Pages: [1]   Go Down
Print
Author Topic: Lezioni 14/11/11, 16/11/11, 18/11/11, 21/11/11, 25/11/11  (Read 667 times)
0 Members e 1 Utente non registrato stanno visualizzando questa discussione.
Giovanni Gallo
Moderator
Forumista
*****
Offline Offline

Gender: Male
Posts: 509


WWW
« on: 28-11-2011, 12:43:56 »

Lezione di Lunedì 14 Novembre, la lezione si è tenuta dalle 17 alle 19, docente prof.Gallo

Abbiamo ripreso il concetto di classificatore Bayesiano chiarendo la tecnica nota come "Maximum A Posteriori" classifier, brevemente MAP classifier. La discussione è stata basata tutta su esempi di dati ad una unica feature.
Sono state introdotte le nozioni di "Falso negativo", "Falso Positivo", "Vero negativo" "Vero positivo" e a partire da queste le definizioni di Precisione e Recall.

Lezione di Mercoledì 16 Novembre, la lezione si è tenuta dalle 17 alle 19, docente prof.Gallo

Usando Recall e 1-precisione abbiamo costruito il diagramma ROC di un classificatore con parametro "solgia" e discusso il suo significato. Si è quindi parlato di errore ineliminabile.
Abbiamo introdotto un cenno al costo di errata classificazione, al costo non uniforme e al "rischio" di un classificatore.

Lezione di Venerdì 18 Novembre, la lezione si è tenuta dalle 17 alle 19, docente prof.Gallo

Siamo passati ai dati multidimensionali per esplorare le difficoltà e le opportunità che essi offrono.
E' stato introdotto il concetto di covarianza.
Abbiamo discusso gli indici di correlazione: Pearson, Spearman, coppie-non decrescenti.
Abbiamo richiamato la porcedura di fitting di una retta per dati bidimensinali usando la tecnica dei minimi quadrati.

Lezione di Lunedì 21 Novembre, la lezione si è tenuta dalle 17 alle 19, docente prof.Gallo

Abbiamo introdotto la funzione di Gauss multidimensionale e studiato la sua rilevanza per le applicazioni e l'esame dei dati.

La lezione di mercoledì 23 non si è tenuta.

Lezione di Venerdì 25 Novembre, la lezione si è tenuta dalle 17 alle 19, docente prof.Gallo

Abbiamo ulteriormente discusso della Gaussiana come modello per i dati e esplorato la natura delle regioni che un classificatore MAP determina nello spazio delle feature se le likelihood dei dati sono modellate con Gaussiane.


Logged

---
Pages: [1]   Go Up
Print
Jump to: