Codice insegnamento

4S02803

Docente

Marco Cristani

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.

Orario Lezioni Moodle Seminari 0

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.

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.