Codice insegnamento

4S008902

Crediti

6

Coordinatore

Marco Cristani

Lingua di erogazione

Italiano

Offerto anche nei corsi:

• Machine Learning & Deep Learning del corso Laurea magistrale in Artificial Intelligence [LM-18]
• Machine Learning & Deep Learning del corso Laurea magistrale in Artificial Intelligence [LM-18]

Settore Scientifico Disciplinare (SSD)

ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI

Moodle Seminari 0

L'insegnamento è organizzato come segue:

Obiettivi di apprendimento

Il corso intende fornire i fondamenti teorici e descrivere le metodologie principali relative all’area di apprendimento automatico (machine learning). In particolare, il corso si occuperà di descrivere i metodi di analisi, riconoscimento e classificazione automatica di dati di qualsiasi tipo, detti tipicamente pattern. Queste discipline sono alla base, sono utilizzate, e spesso completano molte altre discipline ed aree applicative di larga diffusione, quali la visione computazionale, la robotica, l’elaborazione delle immagini, data mining, l’analisi ed interpretazione di dati medicali e biologici, la bioinformatica, biometria, videosorveglianza, il riconoscimento del parlato e del testo e numerose altre. Più precisamente, le metodologie che verranno introdotte nel corso sono spesso parte integrante delle aree applicative su citate, e ne costituiscono la parte “intelligente” con l’obiettivo finale di comprendere (classificare, riconoscere, analizzare) i dati provenienti dal processo di interesse (siano essi segnali, immagini, stringhe, categoriali, o di altro tipo). A partire dalla tipologia di dati misurati, verrà considerata l’intera pipeline di analisi quali l’estrazione e selezione di caratteristiche; metodi di apprendimento automatico supervisionato e non supervisionato, tecniche di analisi parametriche e non, e i protocolli di validazione. Verranno infine analizzati in generale le recenti tecniche di apprendimento “profondo” (deep learning) con alcuni casi studio. In conclusione, il corso si propone di fornire allo studente un insieme di fondamenti teorici e strumenti algoritmici per affrontare le problematiche che si possono incontrare in settori industriali strategici ed innovativi quali quelli che coinvolgono l’elaborazione di grandi quantità di dati (big data), il multimedia, l’ispezione visuale di prodotti e l’automazione in genere.

Prerequisiti e nozioni di base

Statistica e probabilità, Analisi Matematica I e II

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

Bibliografia

Modalità didattiche

Il corso viene impartito attraverso lezioni alla lavagna, con l'ausilio di slides e materiale aggiuntivo fornito dal docente (libri di testo, dispense)

Modalità di verifica dell'apprendimento

Esame orale:
la discussione orale sarà composta da due parti: teoria + lab
La discussione sulla parte di laboratorio sarà incentrata su un piccolo progetto – homework, e precisamente su come l'homework sia stato portato a termine, che funzioni sono state usate etc. Il tema dell'homework sarà scelto dallo studente tra un elenco di argomenti.
La discussione sulla parte teorica sarà incentrata su due argomenti.
Entrambe le parti dell'esame saranno discusse lo stesso giorno, individualmente, e avranno lo stesso peso sul voto finale.

Criteri di valutazione

Adeguatezza degli strumenti scelti per risolvere il problema di progetto. Capacità di portare avanti dimostrazioni matematiche. Rigore nell'esporre la teoria.

Criteri di composizione del voto finale

Metà deriva dal progetto, metà dalla discussione orale

Lingua dell'esame

Inglese o Italiano