Codice insegnamento

4S02803

Crediti

6

Coordinatore

Vittorio Murino

Lingua di erogazione

Italiano

Settore Scientifico Disciplinare (SSD)

ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI

Moodle Seminari 0

L'insegnamento è organizzato come segue:

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.