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
Il 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
2° Anno Attivato nell'A.A. 2022/2023
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
4 insegnamenti a scelta
2 insegnamenti a scelta (A.A. 2022/23 Quantum computing non erogato)
3 insegnamenti a scelta (A.A. 2022/23 Quantum computing non erogato)
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.
Fondamenti di machine learning (2021/2022)
Codice insegnamento
4S008902
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 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.
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
Modalità d'esame
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.