Il termine Machine Learning si riferisce a un importante ramo dell’informatica che si occupa dell’addestramento di macchine con lo scopo di apprendere modelli dai dati. Il Machine Learning si divide in tre macrocategorie con caratteristiche e scopi diversi: Supervised Learning, Unsupervised Learning e Reinforcement Learning. In questa tesi viene presentata una particolare tecnica di di Unsupervised Learning, il Clustering, che consiste nell’individuazione di strutture significative all’interno di un insieme di dati e nel loro partizionamento in sottogruppi, detti cluster. L’obiettivo di questa tesi consiste nell’analizzare alcune tra le più note tecniche di Clustering, fornendo gli strumenti teorici per poterle comprendere. I primi capitoli, infatti, forniscono una panoramica generale sul Machine Learning e sul Clustering; successivamente vengono approfondite due tecniche di Clustering, K-Means Clustering e Spectral Clustering; la trattazione si conclude con un confronto teorico e pratico tra le due tecniche.
Machine Learning: analisi e confronto di tecniche di Clustering
FRIZZARIN, CHIARA
2023/2024
Abstract
Il termine Machine Learning si riferisce a un importante ramo dell’informatica che si occupa dell’addestramento di macchine con lo scopo di apprendere modelli dai dati. Il Machine Learning si divide in tre macrocategorie con caratteristiche e scopi diversi: Supervised Learning, Unsupervised Learning e Reinforcement Learning. In questa tesi viene presentata una particolare tecnica di di Unsupervised Learning, il Clustering, che consiste nell’individuazione di strutture significative all’interno di un insieme di dati e nel loro partizionamento in sottogruppi, detti cluster. L’obiettivo di questa tesi consiste nell’analizzare alcune tra le più note tecniche di Clustering, fornendo gli strumenti teorici per poterle comprendere. I primi capitoli, infatti, forniscono una panoramica generale sul Machine Learning e sul Clustering; successivamente vengono approfondite due tecniche di Clustering, K-Means Clustering e Spectral Clustering; la trattazione si conclude con un confronto teorico e pratico tra le due tecniche.File | Dimensione | Formato | |
---|---|---|---|
Frizzarin_Chiara.pdf
accesso aperto
Dimensione
2.6 MB
Formato
Adobe PDF
|
2.6 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/72167