Obiettivi formativi

Teorie e Tecniche del Riconoscimento (TTR) è una disciplina altamente pervasiva, sia in campo scientifico che industriale. Essa si concentra sulla creazione di classificatori, ossia algoritmi in grado di imparare aspetti della realtà che ci circonda e di compiere decisioni adeguate una volta in presenza di nuovi stimoli. Riconoscitori vocali, applicazioni automotive, sistemi di sorveglianza, sistemi di controllo qualità, recommender systems, motori di ricerca, reti sociali, strumenti di interazione (Kinect, Wii) sono solo alcune delle numerose applicazioni che si basano sulla presenza di classificatori. Il corso di TTR intende fornire i principi metodologici alla base della classificazione, unitamente alle tecniche più moderne in grado di risolvere problemi fino a pochi anni fa ingestibili. In altre parole, il corso vuole essere l’ottimo compromesso tra teoria e pratica, rendendo lo studente in grado di risolvere problemi tangibili e importanti con tecniche solide dal punto di vista teorico.

Programma

Il programma del corso può essere diviso in due ambiti, quello metodologico e quello applicativo, che procederanno di pari passo durante le lezioni.

Metodologie
--Introduzione: cos’è, a cosa serve, sistemi, applicazioni
--Riconoscimento e classificazione
--Teoria della decisione di Bayes
--Stima dei parametri
--Metodi non parametrici
--Classificatori lineari, non lineari e funzioni discriminanti
--Estrazione e selezione di feature, PCA e trasformata di Fisher
--Algoritmo Expectation-Maximization e misture di Gaussiane
--Metodi generativi e discriminativi
--Metodi Kernel e Support Vector Machines
--Hidden Markov Models
--Metodi di classificazione non supervisionata (clustering)
--Pattern recognition per l'analisi e il riconoscimento in immagini e video

Applicazioni
--Riconoscimento di volti
--Tracking
--Video sorveglianza

Testi per il corso:
- Richard O. Duda, Peter E. Hart, and David G. Stork. 2000. Pattern Classification (2nd Edition). Wiley-Interscience.
- Christopher M. Bishop. 2006. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag New York, Inc., Secaucus, NJ, USA.

Modalità d'esame

Progetto e prova orale.

Materiale e documenti

•   cap. 0 - Informazioni   (vnd.ms-powerpoint, it, 369 KB, 10/2/13)
•   cap. 1 - Inquadramento del corso e nozioni di base   (vnd.ms-powerpoint, it, 5707 KB, 10/7/13)
•   cap. 2 - Teoria della decisione di Bayes   (vnd.ms-powerpoint, it, 1039 KB, 10/14/13)
•   cap. 3BIS - Estrazione delle feature - FDA   (pdf, it, 810 KB, 10/14/13)
•   cap. 3 - Estrazione delle feature - PCA   (vnd.ms-powerpoint, it, 1276 KB, 10/14/13)
•   cap. 3TRIS - Estrazione delle feature - Bag of Words   (vnd.ms-powerpoint, it, 2136 KB, 10/14/13)
•   cap. 4 - Stima parametrica dei parametri   (zip, it, 5944 KB, 11/25/13)
•   cap. 5 - Stima non parametrica di modelli   (zip, it, 3484 KB, 12/9/13)
•   cap. 6 - Clustering   (zip, it, 9420 KB, 1/13/14)
•   lab. 0 - Ripasso MATLAB   (zip, it, 0 KB, 10/7/13)
•   lab. 10 - Non parametric estimation   (zip, it, 3 KB, 12/18/13)
•   lab. 11 - Clustering   (zip, it, 6 KB, 1/15/14)
•   lab. 1 - Classificatori di Bayes   (zip, it, 6504 KB, 10/16/13)
•   lab. 2 - Classificatori di Bayes (cont.)   (zip, it, 6504 KB, 10/16/13)
•   lab. 3 - Classificatori di Bayes (funzioni discriminanti)   (zip, it, 1 KB, 10/30/13)
•   lab. 4 - Principal Component Analysis   (zip, it, 1 KB, 10/30/13)
•   lab. 5;6 - PCA and eigenfaces   (zip, it, 5045 KB, 11/11/13)
•   lab. 7 - Fisher Discriminant Analysis   (zip, it, 2 KB, 11/11/13)
•   lab. 8 - fisherfaces   (zip, it, 5043 KB, 11/20/13)
•   lab. 9 - Expectation Maximization   (zip, it, 5047 KB, 12/4/13)
•   Progetti di fine corso   (octet-stream, it, 4608 KB, 1/13/14)