Il credal learning è una metodologia di weakly supervised learning in cui l’informazione parziale relativa alla variabile target è rappresentata tramite credal set (insiemi convessi di probabilità).
Sebbene questo approccio sia stato proposto nel contesto dell’apprendimento da etichette imprecise, può essere applicato per modellare anche altri tipi di incertezza nei dati, in particolar modo errori di etichettatura, tipici del problema noto come learning from noisy data. L’applicazione del credal learning a questi ulteriori problemi di apprendimento non è, tuttavia, ancora stata studiata.
Scopo della tesi sarà quello di studiare l’approccio basato su credal learning per la risoluzione di problemi di learning from noisy data. Il focus della tesi sarà volto agli aspetti teorici del problema, adottando una metodologia basata sulla teoria dell’apprendimento statistico e sull’ottimizzazione convessa.
PREREQUISITI
- Conoscenze nell’ambito del Machine Learning (a livello di un corso di Laurea Magistrale).
- Conoscenze di matematica continua (algebra lineare, analisi multi-variata, basi di analisi convessa)
- Conscenze di base di informatica teorica (teoria della complessità computazionale, analisi di algoritmi)
OBIETTIVI FORMATIVI
- Acquisizione di conoscenze avanzate nell’ambito del machine learning, con particolare riferimento alla teoria dell’apprendimento statistico e allo stato dell’arte nel weakly supervised learning (credal learning);
- Acquisizione di conoscenze avanzate nell’ambito dell’ottimizzazione;
- Acquisizione di conoscenze di base nell’ambito della gestione dell’incertezza, con particolare riferimento alla teoria dei credal set.
DURATA DELLO STAGE E CONTESTO RACCOMANDATO
- Adatto a: Tesi di Laurea Magistrale in Informatica, Data Science o Artificial Intelligence.
- Durata: 6 mesi (circa, Tesi Magistrale).
MODALITA’ E ORARI DI LAVORO
- Modalità di lavoro: remota, con frequenti riscontri via mail e occasionali incontri di persona.
- Ore di lavoro: non fissate, ma generalmente ci saranno degli obbiettivi settimanali da raggiungere.
CONTATTI
- Contatto primario: Andrea Campagner, andrea.campagner@unimib.it