Studying at the University of Verona
Here you can find information on the organisational aspects of the Programme, lecture timetables, learning activities and useful contact details for your time at the University, from enrolment to graduation.
Type D and Type F activities
Le attività formative di tipologia D sono a scelta dello studente, quelle di tipologia F sono ulteriori conoscenze utili all’inserimento nel mondo del lavoro (tirocini, competenze trasversali, project works, ecc.). In base al Regolamento Didattico del Corso, alcune attività possono essere scelte e inserite autonomamente a libretto, altre devono essere approvate da apposita commissione per verificarne la coerenza con il piano di studio. Le attività formative di tipologia D o F possono essere ricoperte dalle seguenti attività.
1. Insegnamenti impartiti presso l'Università di Verona
Comprendono gli insegnamenti sotto riportati e/o nel Catalogo degli insegnamenti (che può essere filtrato anche per lingua di erogazione tramite la Ricerca avanzata).
Modalità di inserimento a libretto: se l'insegnamento è compreso tra quelli sottoelencati, lo studente può inserirlo autonomamente durante il periodo in cui il piano di studi è aperto; in caso contrario, lo studente deve fare richiesta alla Segreteria, inviando a carriere.scienze@ateneo.univr.it il modulo nel periodo indicato.
2. Attestato o equipollenza linguistica CLA
Oltre a quelle richieste dal piano di studi, per gli immatricolati dall'A.A. 2021/2022 vengono riconosciute:
- Lingua inglese: vengono riconosciuti 3 CFU per ogni livello di competenza superiore a quello richiesto dal corso di studio (se non già riconosciuto nel ciclo di studi precedente).
- Altre lingue e italiano per stranieri: vengono riconosciuti 3 CFU per ogni livello di competenza a partire da A2 (se non già riconosciuto nel ciclo di studi precedente).
Tali cfu saranno riconosciuti, fino ad un massimo di 6 cfu complessivi, di tipologia F se il piano didattico lo consente, oppure di tipologia D. Ulteriori crediti a scelta per conoscenze linguistiche potranno essere riconosciuti solo se coerenti con il progetto formativo dello studente e se adeguatamente motivati.
Gli immatricolati fino all'A.A. 2020/2021 devono consultare le informazioni che si trovano qui.
Modalità di inserimento a libretto: richiedere l’attestato o l'equipollenza al CLA e inviarlo alla Segreteria Studenti - Carriere per l’inserimento dell’esame in carriera, tramite mail: carriere.scienze@ateneo.univr.it
3. Competenze trasversali
Scopri i percorsi formativi promossi dal TALC - Teaching and learning center dell'Ateneo, destinati agli studenti regolarmente iscritti all'anno accademico di erogazione del corso https://talc.univr.it/it/competenze-trasversali
Modalità di inserimento a libretto: non è previsto l'inserimento dell'insegnamento nel piano di studi. Solo in seguito all'ottenimento dell'Open Badge verranno automaticamente convalidati i CFU a libretto. La registrazione dei CFU in carriera non è istantanea, ma ci saranno da attendere dei tempi tecnici.
4. Periodo di stage/tirocinio
Oltre ai CFU previsti dal piano di studi (verificare attentamente quanto indicato sul Regolamento Didattico): qui informazioni su come attivare lo stage.
Insegnamenti e altre attività che si possono inserire autonomamente a libretto
| years | Modules | TAF | Teacher |
|---|---|---|---|
| 1° 2° | The fashion lab (1 ECTS) | D |
Caterina Fratea
(Coordinator)
|
| years | Modules | TAF | Teacher |
|---|---|---|---|
| 1° 2° | Data Analysis for Biomedical Sciences | D |
Gloria Menegaz
(Coordinator)
|
| 1° 2° | Introduction to Robotics for students of scientific courses. | D |
Paolo Fiorini
(Coordinator)
|
| 1° 2° | Matlab-Simulink programming | D |
Bogdan Mihai Maris
(Coordinator)
|
| years | Modules | TAF | Teacher |
|---|---|---|---|
| 1° 2° | The fashion lab (1 ECTS) | D |
Caterina Fratea
(Coordinator)
|
| years | Modules | TAF | Teacher |
|---|---|---|---|
| 1° 2° | Introduction to Robotics for students of scientific courses. | D |
Paolo Fiorini
(Coordinator)
|
| 1° 2° | Introduction to 3D printing | D |
Franco Fummi
(Coordinator)
|
| 1° 2° | HW components design on FPGA | D |
Franco Fummi
(Coordinator)
|
| 1° 2° | Rapid prototyping on Arduino | D |
Franco Fummi
(Coordinator)
|
| 1° 2° | Protection of intangible assets (SW and invention)between industrial law and copyright | D |
Roberto Giacobazzi
(Coordinator)
|
| years | Modules | TAF | Teacher |
|---|---|---|---|
| 1° 2° | Python programming language | D |
Giulio Mazzi
(Coordinator)
|
Fundamentals of Machine Learning (2021/2022)
Teaching code
4S008902
Credits
6
Language
Italian
Scientific Disciplinary Sector (SSD)
ING-INF/05 - INFORMATION PROCESSING SYSTEMS
The teaching is organized as follows:
Teoria
Laboratorio
Learning outcomes
The course aims to provide the theoretical foundations and describe the main methodologies relating to the machine learning area. In particular, the course will deal with the methods of analysis, recognition and automatic classification of data of any type, typically called patterns. These disciplines are the basis, are used, and often complete many other disciplines and application areas of wide diffusion, such as computational vision, robotics, image processing, data mining, analysis and interpretation of medical and biological data, bioinformatics, biometrics, video surveillance, speech and text recognition and many others. More precisely, the methodologies that will be introduced in the course are often an integral part of the aforementioned application areas, and constitute the "intelligent" part with the final objective of understanding (classifying, recognizing, analyzing) the data coming from the process of interest ( whether they are signals, images, strings, categorical, or other types). Starting from the type of measured data, the entire analysis pipeline will be considered such as the extraction and selection of characteristics; supervised and unsupervised machine learning methods, parametric and non-parametric analysis techniques, and validation protocols. Finally, the recent deep learning techniques will be analyzed in general with some case studies. In conclusion, the course aims to provide the student with a set of theoretical foundations and algorithmic tools to address the problems that can be encountered in strategic and innovative industrial sectors such as those involving the processing of large amounts of data (big data), multimedia, visual inspection of products and automation in general.
Program
The course can be divided into two parts, the methodology and the application, which go hand in hand during the course.
Methodologies
- Introduction
- Recognition and classification
- Bayesian Decision Theory
- Parameters Estimation
- Nonparametric Methods of Parameters Estimation
- Linear and non-linear discriminant functions
- Extraction and feature selection, PCA, Fisher transform
- Expectation-Maximization Algorithm on mixtures of Gaussians
- Generative and discriminative methods
- Kernel Methods and Support Vector Machines
- Hidden Markov Models
- Methods for unsupervised classification (clustering)
- Pattern recognition for the analysis and recognition in images and videos
Applications
- Face recognition
- Tracking
- Video surveillance
Textbooks:
- 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.
Examination Methods
Oral Exam:
the oral discussion will be composed on two parts: theory + lab
The discussion on the lab part will be focused on a small code project – homework, and precisely on how the homework has been carried out. The homework will be chosen by the student among a list of topics.
The discussion on the theory part will be focused on two topics.
Both the parts of the exam will be discussed the same day, individually, and have the same weight on the final grade.
