• algoritmi di apprendimento
• apprendimento offline
• apprendimento supervisionato
• approssimazione di matrici
• calcolo matriciale
• decomposizione ai valori singolari
• dimensionality reduction
• inversione di matrici
• learning algorithms
• least squares regression
• matrice casuale
• matrix approximation
• matrix computation
• matrix inversion
• offline learning
• predizione di serie temporali
• processamento di sequenze
• proiezione casuale
• random matrix
• random projection
• randomized SVD
• regressione lineare
• reservoir computing
• riduzione della dimensionalità
• sequence processing
• singular value decomposition
• supervised learning
• SVD randomizzata
• time series prediction

Le Echo State Network (ESN) rappresentano un approccio efficiente alla modellazione ed al training di reti neurali ricorrenti. In questo lavoro si analizza l'efficacia di algoritmi randomizzati basati su sketching di matrici per il training di tali reti, sia in termini di efficienza computazionale che di capacità di regolarizzazione.

Echo State Networks (ESNs) represent an efficient approach to recurrent neural network modeling and training. In this work, we investigate the effectiveness of randomized algorithms based on matrix sketching to train such networks, both in terms of computational efficiency and of regularization capabilities.