Codice insegnamento

4S010673

Crediti

12

Coordinatore

Vittorio Murino

Lingua di erogazione

Inglese

Offerto anche nei corsi:

• Machine learning del corso Laurea magistrale in Ingegneria e scienze informatiche [LM-18/32]
• Machine learning del corso Laurea magistrale in Ingegneria e scienze informatiche

Corsi Singoli

Autorizzato

Moodle Seminari 0

L'insegnamento è organizzato come segue:

Obiettivi di apprendimento

Il corso si propone di fornire le basi teoriche e descrivere le principali metodologie relative all'area dell'apprendimento automatico e riconoscimento di pattern, insieme alle più recenti tecniche di apprendimento profondo. È infatti suddiviso in 2 moduli: Machine Learning e Deep Learning. In particolare, il corso si occuperà di descrivere i metodi di analisi, riconoscimento e classificazione automatica di dati di qualsiasi tipo, tipicamente chiamati pattern. Queste discipline sono alla base, sono utilizzate e spesso integrano molte altre discipline e ambiti applicativi di ampia diffusione, come la computer vision, la robotica, l'elaborazione delle immagini, il data mining, l'analisi e l'interpretazione di dati medici e biologici, la bioinformatica, la biometria, la videosorveglianza, le previsioni e molti altri. Più precisamente, le metodologie che saranno introdotte nel corso sono spesso parte integrante degli ambiti applicativi sopra menzionati e ne costituiscono la parte "intelligente" con l'obiettivo finale di comprendere (classificare, riconoscere, analizzare) i dati provenienti dai processi di interesse (siano essi segnali, immagini, stringhe, categoriali o di altro tipo). Partendo dal tipo di dati misurati, verrà considerata l'intera pipeline di analisi, come l'estrazione e la selezione di caratteristiche, metodi di apprendimento automatico supervisionato e non supervisionato, tecniche di analisi parametrica e non parametrica e protocolli di convalida. Il modulo Deep Learning illustrerà gli approcci più recenti e rilevanti sviluppati negli ultimi anni, come le reti convoluzionali, reti ricorrenti, trasformers, modelli generativi, metodi di apprendimento auto-supervisionati, nonché argomenti di transfer learning e adattamento di dominio, sistemi multimodali e fondazionali (testo/linguaggio + dati visuali). Nella parte di laboratorio verranno presentati casi di studio reali e non solo benchmark accademici, affrontati con opportuni strumenti di programmazione. In conclusione, il corso si propone di fornire agli studenti un set di fondamenti teorici e strumenti algoritmici per affrontare le problematiche che possono essere riscontrate in settori industriali strategici e innovativi come quelli che coinvolgono l'elaborazione di grandi quantità di dati (big data), la multimedialità, l'ispezione visiva dei prodotti, l'automazione e predizione.

Prerequisiti e nozioni di base

Matematica di base
Probabilità e Statistica
Elaborazione delle Immagini (opzionale)

Bibliografia

Criteri di composizione del voto finale

Il voto finale risulterà come media dei voti dei singoli moduli