- Esame: Data Mining, Carlo Sansone.
- Svolgimento esame: l'esame presenta due possibili modalità: svolgimento di 3 mini-contest (da portare a termine singolarmente durante il corso) e prova orale oppure svolgimento di un unico contest finale (si può svolgere in gruppi, dopo la fine del corso) e prova orale. Tutti i contest sono formulati sulla piattaforma Kaggle. In sede di orale si discute, sotto forma di presentazione power point, un mini-contest a scelta (oppure il contest finale per chi fa quello) con gli assistenti, mentre il prof da solitamente 3 domande scritte da svolgere su foglio. Di norma, la discussione dell'elaborato vale fino a 3 punti, mentre la teoria fino a 27 punti.
Data l'emergenza virus che si è verificata, ho svolto l'esame in forma orale Microsoft Teams. Le domande ricevute dal prof riguardavano:
1. Introduzione al Deep Learning (quali sono stati i fattori abilitanti e quali sono i vantaggi);
2. Principio di funzionamento di una CNN;
3. One-Class Learning;
4. Naive Bayes e perché funziona "abbastanza" bene nella pratica.
Le domande in genere sono piuttosto generali, quindi c'è molta possibilità di scrivere (o parlare). Consiglio di imparare i pochi pseudo-algoritmi e le formule matematiche più importanti. Riporto alcune domande che ho sentito:
- Consigli: Consiglio questo corso anche a chi non è dal canale IT perché introduce a tematiche di Machine Learning e Deep Learning che sono ormai all'ordine del giorno. Per quanto riguarda lo svolgimento dell'esame, il prof è davvero molto tranquillo e lascia tutto il tempo che serve per rispondere, talvolta aiutando pure. All'esame, gli assistenti di solito tengono al ragionamento che è stato seguito per arrivare a una soluzione, più che al numeretto che esce su Kaggle. È importante capire bene le basi, come ad esempio lo split in training set, validation set e test set. Assolutamente consigliato lo svolgimento dei mini-contest piuttosto che del contest finale (link al contest finale di quest'anno). Infatti durante il corso c'è molta più possibilità di confrontarsi con altri colleghi o con gli assistenti per arrivare prima a una soluzione.
- Svolgimento esame: l'esame presenta due possibili modalità: svolgimento di 3 mini-contest (da portare a termine singolarmente durante il corso) e prova orale oppure svolgimento di un unico contest finale (si può svolgere in gruppi, dopo la fine del corso) e prova orale. Tutti i contest sono formulati sulla piattaforma Kaggle. In sede di orale si discute, sotto forma di presentazione power point, un mini-contest a scelta (oppure il contest finale per chi fa quello) con gli assistenti, mentre il prof da solitamente 3 domande scritte da svolgere su foglio. Di norma, la discussione dell'elaborato vale fino a 3 punti, mentre la teoria fino a 27 punti.
Data l'emergenza virus che si è verificata, ho svolto l'esame in forma orale Microsoft Teams. Le domande ricevute dal prof riguardavano:
1. Introduzione al Deep Learning (quali sono stati i fattori abilitanti e quali sono i vantaggi);
2. Principio di funzionamento di una CNN;
3. One-Class Learning;
4. Naive Bayes e perché funziona "abbastanza" bene nella pratica.
Le domande in genere sono piuttosto generali, quindi c'è molta possibilità di scrivere (o parlare). Consiglio di imparare i pochi pseudo-algoritmi e le formule matematiche più importanti. Riporto alcune domande che ho sentito:
- Regole di associazione
- Autoencoder
- C4.5
- Pruning con tecniche di Subtree replacement e Raising
- Apprendimento supervisionato
- PART
- CNN
- Boosting
- ECOC
- Model Tree
- Clustering Probabilistico con EM
- Algoritmo Apriori
- Reti Bayesiane
- PRISM
- Multi instance learning
- SVM
- Clustering gerarchico
- Bagging (Qual è un classificatore stabile per eccellenza?)
- PCA
- MLP + Backpropagation
- Consigli: Consiglio questo corso anche a chi non è dal canale IT perché introduce a tematiche di Machine Learning e Deep Learning che sono ormai all'ordine del giorno. Per quanto riguarda lo svolgimento dell'esame, il prof è davvero molto tranquillo e lascia tutto il tempo che serve per rispondere, talvolta aiutando pure. All'esame, gli assistenti di solito tengono al ragionamento che è stato seguito per arrivare a una soluzione, più che al numeretto che esce su Kaggle. È importante capire bene le basi, come ad esempio lo split in training set, validation set e test set. Assolutamente consigliato lo svolgimento dei mini-contest piuttosto che del contest finale (link al contest finale di quest'anno). Infatti durante il corso c'è molta più possibilità di confrontarsi con altri colleghi o con gli assistenti per arrivare prima a una soluzione.
