it gb
it gb

Apprendimento Automatico e Data Mining

Presentazione

Il gruppo di Machine Learning del Dipartimento di Informatica, Università di torino, è parte del gruppo di Intelligenza Artificiale ed è attivo dal 1984. Il gruppo è attualmente composto da due professori associati, tre ricercatori a tempo indeterminato e cinque collaboratori a breve termine.

Approfondimenti

Il gruppo di Machine Learning (ML) si è inizialmente focalizzato sullo sviluppo di sistemi di apprendimento di concetti simbolici (ML-SMART, SMART+, ENIGMA e RIGEL) e su database induttivi (MINERULE).  Ha inoltre  competenze nell'ambito delle reti neurali (neural networks), sia per ciò che riguarda i modelli local receptive, quali le reti a funzioni radiali (RBF), sia per ciò che riguarda i modelli a neuroni cosidetti additivi (o sigmoidali). Questi modelli vengono usati per attività di classificazione, diagnostica e predizione. 

Il gruppo ha inoltre approfondito lo studio di  come conoscenza simbolica, generata da approcci classici al machine learning, potesse essere utilizzata per inizializzare una rete neurale e come  quest'ultima potesse essere raffinata per mezzo di tecniche di Reinforcemente Learning. Infine il gruppo si è anche occupato di Computational Learning Theory (COLT). In particolare nello studio di  definizioni ricorsive di concetti e di metodi per l'estrazione semi automatica della conoscenza. 

Oggi il gruppo continua a sviluppare il sistema MINERULE e a studiare altre aree importanti e affascinanti del Data Mining e del Machine Learning. Gli interessi attuali includono:

  • l'estensione del MINERULE per permettere l'analisi di informazione geolocalizzata (GIS) allo scopo di effettuare monitoraggio del territorio;
  • tecniche di preservazione della privacy da applicare alle reti sociali;
  • scoperta di frodi in transazioni bancarie;
  • creazione di mappe tematiche basate su annotazioni da sensori sociali e da crowdsourcing;
  •  algoritmi di clustering e co-clustering, sia gerarchici sia multidimensionali, che permettono la generazione di modelli per la rappresentazione e l'inferenza di conoscenza;
  • uso di modelli neurali per attività di web mining e rappresentazione ottimale di dati eterogenei e complessi,
    attraverso proiezioni in spazi semantici e decomposizione di matrici;
  • algoritmi efficienti e esatti per l'inferenza MAP in modelli grafici;
  • apprendimento in contesti in cui gli  esempi sono etichettati con etichette di scarsa qualità o solo parzialmente, ad esempio in problemi di clustering vincolato, di apprendimento semi-supervisionato, di rilevamento delle anomalie o di apprendimento "one-class".
logo systems biology

Contatti

Prof. Marco Botta

(+39) 011 6706721

RmXy09gfFxBaGloLDnOH]#[CLNZo8GS8pmk@XVD1m6@

Prof. Rosa Meo

(+39) 011 6706817

RmXy09gfFxBaGloLD]#[HZOX.vJSPqzH9Yn36