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.
Piano Didattico
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 2025/2026Il 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.
1° Anno
Insegnamenti | Crediti | TAF | SSD |
---|
2° Anno Attivato nell'A.A. 2020/2021
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
Due insegnamenti a scelta
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.
Teorie e tecniche del riconoscimento (2019/2020)
Codice insegnamento
4S02803
Crediti
6
Lingua di erogazione
Italiano
Settore Scientifico Disciplinare (SSD)
ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
L'insegnamento è organizzato come segue:
Teoria
Laboratorio
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 Φ 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
Introduzione: cos’è, a cosa serve, sistemi, applicazioni
Teoria della decisione di Bayes
Stima dei parametri e metodi non parametrici
Classificatori lineari, non lineari e funzioni discriminanti
Trasformazioni lineari e metodo di Fisher, estrazione e selezione delle feature, Principal Component Analysis
Misture di Gaussiane e algoritmo Expectation-Maximization
Metodi generativi e discriminativi
Metodi Kernel e Support Vector Machines
Reti neurali artificiali
Metodi di classificazione non supervisionata (clustering)
Hidden Markov Models
Modalità d'esame
Progetto, con relazione ed esposizione orale
2 persone max, 3 persone per progetti più complessi (da concordare col docente)
L’esposizione del progetto include una valutazione della conoscenza dei contenuti del corso.