Codice insegnamento

4S009001

Crediti

9

Coordinatore

Vittorio Murino

Lingua di erogazione

Inglese

Settore Scientifico Disciplinare (SSD)

ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI

Corsi Singoli

Autorizzato

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), e più in generale all’area di Intelligenza Artificiale. 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 la robotica, i sistemi cyber fisici, l’elaborazione di grandi quantità di dati (big data), digital manufacturing, l’ispezione visuale di prodotti/processi di produzione e l’automazione in genere.

Prerequisiti e nozioni di base

I prerequisiti per seguire il corso consistono nell'aver acquisito competenze di Probabilità e Statistica.
La conoscenza di tematiche relative all'elaborazione delle immagini è anche fondamentale per la comprensione del corso in oggetto.

Programma

Il corso intende fornire i fondamenti teorici e metodi principali relativi all’analisi di dati, non necessariamente immagini, in breve verranno trattati teoria e metodi di classificazione statistica.
Questi temi sono propedeutici alle tecniche più recenti di Deep Learning che verranno introdotte nella parte finale del corso.
Contenuti del corso
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 Kernel e Support Vector Machines
Hidden Markov Models
Reti neurali artificiali
Metodi di classificazione non supervisionata (clustering)
Combinazione di classificatori
Apprendimento profondo
Temi avanzati di metodi di apprendimento profondo

Bibliografia

Modalità didattiche

Le lezioni di Teoria si svolgeranno in aula con proiezione di slide, mentre le lezioni di laboratorio saranno al computer in aula informatica e consisteranno nell sviluppo di alcuni degli algoritmi sviluppati in classe.

Modalità di verifica dell'apprendimento

Per superare l'esame gli studenti dovranno dimostrare di:
- aver compreso i principi teorici e gli algoritmi alla base delle tecniche di Machine Learning & Artificial Intelligence descritti a lezione;
- essere in grado di esporre le proprie argomentazioni in modo preciso, organico e strutturato, senza divagazioni;
- saper applicare le conoscenze acquisite per risolvere problemi applicativi presentati sotto forma di esercizi, domande oppure progetti.
L'esame consisterà nello sviluppo di un progetto (2 persone max, 3 persone per progetti più complessi, da concordare col docente), seguito dalla scrittura di un rapporto tecnico ed una presentazione orale.
Durante la presentazione orale del progetto verranno fatte domande sui contenuti del corso descritti a lezione, volte alla valutazione della conoscenza dei contenuti del corso.

Lingua dell'esame

Inglese