• Machine Learning © 2016 IIT 4476

Ogni giorno viene prodotta una grande quantità di dati proveniente da svariate fonti, e in contesti reali molto competitivi; per poterli strutturare e attribuirvi un significato, è necessario implementare metodi di statistica computazionale e di apprendimento automatico.

Spesso i presupposti alla base della loro struttura sono molto intuitivi, ma lo sviluppo di algoritmi computazionali efficienti è una sfida scientifica che deve considerare il confronto tra le garanzie date dalla statistica e le limitazioni computazionali determinate dalla gestione di grandi quantità di dati.

L'apprendimento automatico rappresenta la principale risorsa cui attingono le più recenti ricerche nella creazione di sistemi di intelligenza artificiale, tra cui i metodi di deep learning, che stanno ottenendo risultati attendibili in discipline dove i dati hanno un ruolo fondamentale (per es. computer vision, riconoscimento vocale, ecc...).

Le questioni aperte sono numerose ed importanti.  Il nostro gruppo di ricerca affronta lo studio dell'apprendimento automatico traendo ispirazione da diverse discipline matematiche e statistiche: teorie dell'approssimazione, processi empirici, ottimizzazione numerica e teoria dell'apprendimento statistico.

Laboratori

Specifiche aree di interesse includono i metodi con nucleo, apprendimento multitask, online, con rinforzo e regolarizzazione con sparsita'; mentre il principale interesse del nostro lavoro si rivolge alla teoria e agli algoritmi. In generale, la nostra ricerca presenta notevoli aspetti multidisciplinari, con applicazioni che vanno dalla visione artificiale alla bioinformatica, allo user modelling.

Collaborazioni

  • SUNY Albany (Charles Micchelli)
  • INSEAD (Theodoros Evgeniou)
  • Universite' Pierre et Marie Curie - Paris 6 (Patrick Combettes)
  • University College London (Nadia Bethouze, David Jones, Mark Herbster)
  • ENSAE Paris Tech (Pierre Alquier, Alexandre Tsybakov)
  • Cambridge (Cecilia Mascolo)
  • Oxford (Raphael Hauser)