sync to laptop

src/decision-tree.typ

@@ -1,3 +1,9 @@
 = Decision Tree
 
-Il *Decision Tree* è un modello di apprendimento supervisionato che può essere utilizzato sia per problemi di classificazione 
+Il *Decision Tree* è un modello di apprendimento supervisionato, che come suggerisce il nome ha una struttura ad albero. Ogni nodo dell'albero può essere:
+- Non Terminale: dunque avere 2 o più figli ed implementare una _routing function_.
+- Foglia: dunque non avere alcun figlio (_leaf node_) ed implementare una _prediction function_.
+
+Il Decision Tree è un modello molto semplice e interpretabile (_explainability_); questa caratteristica è uno dei suoi più grandi vantaggi. Inoltre, è un modello molto versatile, in quanto può essere utilizzato sia per problemi di classificazione che di regressione. 
+
+prende in input un vettore di features $x$ e questo viene passato attraverso l'albero fino ad arrivare ad una foglia, che restituirà una predizione.

src/gradient-descent.typ

@@ -84,8 +84,8 @@ Ci sono decine di surrogate loss function, già implementate, ognuna con le prop
       rowspan: 1,
       par(justify: true)[
         *Descrizione:* è la funzione di loss ideale per la classificazione, poiché misura semplicemente se la predizione $y'$ ha lo stesso segno del valore reale $y$. Restituisce $1$ se la predizione è errata (cioè se $y dot y' ≤ 0$) e $0$ se la predizione è corretta (cioè se $y dot y'>0$).
-
-        La funzione di loss 0/1 non è differenziabile.
+        *Vantaggi:* Facile da interpretare e implementare.
+        *Svantaggi:* La funzione di loss 0/1 non è differenziabile. Non fornisce informazioni sulla distanza tra la predizione e il valore reale.
         ],
     ),    
   )
@@ -109,7 +109,8 @@ Ci sono decine di surrogate loss function, già implementate, ognuna con le prop
       colspan: 2,
       rowspan: 1,
       par(justify: true)[
-        *Descrizione:* #lorem(50)],
+        *Descrizione:* La hinge loss è utilizzata principalmente nelle Support Vector Machines (SVM) per classificazione binaria. Penalizza le predizioni che si trovano all'interno del margine o sono classificate erroneamente.
+        ],
     ),
   )
 )
@@ -133,7 +134,7 @@ Ci sono decine di surrogate loss function, già implementate, ognuna con le prop
       colspan: 2,
       rowspan: 1,
       par(justify: true)[
-        *Descrizione:* #lorem(50)],
+        *Descrizione:* La squared loss misura la differenza quadrata tra la previsione del modello e il valore reale. È comunemente usata nei problemi di regressione.],
     ),
   )
 )
@@ -156,33 +157,13 @@ Ci sono decine di surrogate loss function, già implementate, ognuna con le prop
       colspan: 2,
       rowspan: 1,
       par(justify: true)[
-        *Descrizione:* #lorem(50)],
+        *Descrizione:* L'exponential loss è utilizzata principalmente con l'algoritmo di boosting come AdaBoost. La funzione di perdita aumenta esponenzialmente con l'aumento dell'errore.
+        ],
     ),
   )
 )
 
-#align(center,
-  grid(
-    columns: (1fr, 1fr, 3fr),
-    align: (center+horizon),
-    rows: (3em, 220pt),
 
-    [Log Loss],[ $l(y, y') = log(1+exp(-y y'))$],
-
-    grid.cell(
-      colspan: 1,
-      rowspan: 2,
-      image("../code/surrogate-loss-functions/log_loss.png", width: 100%),
-    ),
-
-    grid.cell(
-      colspan: 2,
-      rowspan: 1,
-      par(justify: true)[
-        *Descrizione:* #lorem(50)],
-    ),
-  )
-)
 
 #align(center,
   image("../code/surrogate-loss-functions/all_losses_comparison.png", width: 100%)

src/main.typ

@@ -8,7 +8,7 @@
 
 #set document(
   title: [Appunti del corso "Introduction to Machine Learning"],
-  author: ("Toniolo Marco","Federico Frigerio"),
+  author: ("Toniolo Marco"),
   keywords: ("Introduction", "Machine Learning", "ML", "Appunti", "Riassunto"),
   date: (auto)
 )