Studiare

In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.

Queste informazioni sono destinate esclusivamente agli studenti e alle studentesse già iscritti a questo corso.
Se sei un nuovo studente interessato all'immatricolazione, trovi le informazioni sul percorso di studi alla pagina del corso:

Laurea magistrale in Ingegneria e scienze informatiche - Immatricolazione dal 2025/2026

Il piano didattico è l'elenco degli insegnamenti e delle altre attività formative che devono essere sostenute nel corso della propria carriera universitaria.
Selezionare il piano didattico in base all'anno accademico di iscrizione.

CURRICULUM TIPO:

1° Anno 

InsegnamentiCreditiTAFSSD
12
B
ING-INF/05
12
B
INF/01
12
B
ING-INF/05

2° Anno   Attivato nell'A.A. 2018/2019

InsegnamentiCreditiTAFSSD
6
B
INF/01
Altre attività formative
4
F
-
Prova finale
24
E
-
InsegnamentiCreditiTAFSSD
12
B
ING-INF/05
12
B
INF/01
12
B
ING-INF/05
Attivato nell'A.A. 2018/2019
InsegnamentiCreditiTAFSSD
6
B
INF/01
Altre attività formative
4
F
-
Prova finale
24
E
-
Insegnamenti Crediti TAF SSD

Legenda | Tipo Attività Formativa (TAF)

TAF (Tipologia Attività Formativa) Tutti gli insegnamenti e le attività sono classificate in diversi tipi di attività formativa, indicati da una lettera.




S Stage e tirocini presso imprese, enti pubblici o privati, ordini professionali

Codice insegnamento

4S02803

Coordinatore

Marco Cristani

Crediti

6

Lingua di erogazione

Italiano

Settore Scientifico Disciplinare (SSD)

ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI

Periodo

II sem. dal 1 mar 2018 al 15 giu 2018.

Obiettivi formativi

Il corso si propone di fornire: i) principi metodologici alla base della classificazione: ii) tecniche di estrazione e selezione di caratteristiche; iii) tecniche di apprendimento automatico per il riconoscimento supervisionato e non, parametriche e non; iv) tecniche di cross-validation per la validazione di strumenti di riconoscimento.
Al termine del corso lo studente dovrà dimostrare di essere in grado di capire se un problema di classificazione possa essere risolto al netto delle tecnologie esistenti e se la tipologia di algoritmo di apprendimento debba essere utilizzato per l'addestramento di un classificatore.

Inoltre lo studente dovrà dimostrare di: i) capire che tipo di caratteristiche o pattern debbano essere estratte dai dati provenienti da un sensore; ii) capire che tipologia di classificatore o riconoscitore debba essere utilizzato in risposta ad un determinato problema: iii) capire la complessità del problema di riconoscimento in termini computazionali; iv) avere la capacità di programmare del software che faccia riconoscimento su dati di problemi reali; v) essere in grado di usare del codice altrui e modificarlo adattandolo al problema in esame.

Queste conoscenze consentiranno allo studente di capire: i) quando un classificatore è stato addestrato correttamente; ii) che performance aspettarsi da un classificatore applicato ad un nuovo problema.

Alla fine del corso lo studente sarà in grado di comprendere un articolo scientifico di apprendimento automatico o riconoscimento di recente redazione.

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: sistemi di classificazione, tipologie di classificazione, applicazioni di classificazione
>>CLASSIFICAZIONE SUPERVISIONATA<<
--- Teoria della decisione di Bayes, minimizzazione del rischio
--- classificatori lineari, non lineari e funzioni discriminanti
--- Selezione ed estrazione di feature, Principal Component Analysis, Fisher Linear Discriminant Analysis
--- Stima dei parametri di un classificatore: Stima Maximum Likelihood, MAP, Bayesiana
--- Stima di singola Gaussiana e Mistura di Gaussiane:Algoritmo Expectation-Maximization esatto e approssimazioni variazionali (Mean Field)
--- Metodi non parametrici per l’addestramento di un classificatori: Parzen Windows e K-Nearest-Neighbor
--- Metodi di Monte Carlo per la stima dinamica di densità, Particle Filtering
--- Markov models e Hidden Markov Models
>>CLASSIFICAZIONE NON SUPERVISIONATA<<
--- Metodi partizionali (k-means e x-means), gerarchici (single-double linkage)
--- Criteri di validazione interni e esterni


Applicazioni
--Classificazione binaria e multiclasse su benchmark reali
--Riconoscimento di volti
--Tracking


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.

Testi di riferimento
Autore Titolo Casa editrice Anno ISBN Note
R. Duda, P. Hart, D. Stork Pattern Classification Wiley 2001
C.M. Bishop Pattern Recognition and Machine Learning Springer 2006

Modalità d'esame

La modalità di accertamento dell’esame è orale; i contenuti richiesti saranno quelli visti a lezione, come indicato dal programma del corso. In particolare, laddove sia necessario, sarà richiesta la dimostrazione formale di un procedimento. In tutti i casi, le domande riguarderanno un problema di classificazione in cui lo studente dovrà suggerire la tecnica più adatta al caso in oggetto, dimostrandone formalmente le sue caratteristiche. Dipendentemente dalla soluzione proposta dallo studente rispetto al problema di classificazione postogli come quesito (20 punti totale), e dalla precisione con cui gli argomenti verranno esposti (10 punti), verrà composto il voto finale.

Le/gli studentesse/studenti con disabilità o disturbi specifici di apprendimento (DSA), che intendano richiedere l'adattamento della prova d'esame, devono seguire le indicazioni riportate QUI