CODICE 104852 ANNO ACCADEMICO 2025/2026 CFU 6 cfu anno 1 ELECTRICAL ENGINEERING FOR ENERGY TRANSITION 11955 (LM-28) - GENOVA 6 cfu anno 1 INTERNET AND MULTIMEDIA ENGINEERING 11962 (LM-27) - GENOVA SETTORE SCIENTIFICO DISCIPLINARE ING-INF/03 LINGUA Inglese SEDE GENOVA PERIODO 2° Semestre MODULI Questo insegnamento è un modulo di: OPERATIONS RESEARCH AND MACHINE LEARNING PRESENTAZIONE L'apprendimento automatico si sta affermando come un'area scientifica di notevole rilevanza grazie alla disponibilità di computer sempre più potenti e di algoritmi che ne consentono l'applicazione nei più svariati settori, tra i quali anche settori chiave dal punto di vista sociale ed economico. Questo corso presenta le principali metodologie di apprendimento automatico finalizzate al "riconoscimento", inteso come classificazione di dati rappresentati in modo strutturato. OBIETTIVI E CONTENUTI OBIETTIVI FORMATIVI In questo modulo vengono presentati diversi metodi di Machine Learning applicati alla classificazione di dati e - in particolare - viene discusso il caso della classificazione di immagini da applicazioni reali. Gli studenti impareranno come stimare una funzione di densità di probabilità utilizzando un insieme di campioni di addestramento. Saranno in grado di classificare i campioni sulla base della teoria della decisione e utilizzando classificatori lineari e non lineari (MDM, k-nn, SVM, Random forest). Impareranno come progettare una rete neurale MLP. Impareranno come valutare l'accuratezza di un classificatore supervisionato. Saranno inoltre in grado di utilizzare alcuni algoritmi di clustering (compreso un algoritmo "fuzzy") e di validare i risultati ottenuti. OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO Scopo di questo insegnamento è fornire le basi dell'apprendimento automatico e presentare alcuni metodi avanzati con particolare riferimento alla classificazione di dati numerici rappresentati in forma strutturata; nell'ambito dell'insegnamento verranno presentati esempi e discusse applicazioni al riconoscimento di segnali e immagini. Lo studente imparerà a rappresentare in spazi vettoriali multidimensionali le caratteristiche (misure o attributi) dei "campioni" da classificare; sarà in grado di ridurre la dimensionalità di tale rappresentazione limitando la perdita di informazione, di stimare le distribuzioni probabilistiche dei dati, di classificare i campioni con tecniche classiche e con tecniche avanzate più recenti (SVM, ensemble di classificatori, reti neurali, "deep learning"), valutare o stimare l'accuratezza di un classificatore supervisionato, estrarre le "classi naturali" presenti in un insieme di dati, anche rappresentando l'incertezza con l'approccio "fuzzy" e validando i relativi risultati. PREREQUISITI Analisi matematica (funzioni di una o più variabili reali, integrali, ottimizzazione di funzionali); probabilità e variabili aleatorie; calcolo matriciale. MODALITA' DIDATTICHE Lezioni frontali sulla teoria, sulle applicazioni e sulla risoluzione di problemi. Esercitazioni di laboratorio basate sull'implementazione software assistita di alcune tecniche apprese a lezione. PROGRAMMA/CONTENUTO In questo insegnamento vengono presentati i principali metodi di apprendimento automatico per la classificazione di dati numerici e viene discussa la loro applicazione alle immagini in contesti reali. In particolare, vengono considerati: la rappresentazione delle caratteristiche dei "campioni" da classificare in spazi vettoriali multidimensionali la Teoria della decisione la stima supervisionata di densità di probabilità la riduzione della dimensionalità degli spazi delle caratteristiche le reti neurali ed il "Deep learning" altre tecniche di classificazione lineari e non lineari l'accuratezza di un classificatore "supervisionato" la classificazione non supervisionata o "clustering" gli insiemi "fuzzy" ed il clustering basato su metodi "fuzzy". TESTI/BIBLIOGRAFIA Diapositive presentate a lezione disponibili in Aulaweb. Testi per consultazione: Duda, R. O., Hart, P. E., Stork, D. G.: 2001, Pattern classification, 2nd ed., Wiley. Fukunaga, K.: 1990, Introduction to statistical pattern recognition, 2a ed., Academic Press. Goodfellow I., Bengio Y., and Courville A., Deep learning, MIT Press, 2016 Riferimenti bibliografici specifici sono inseriti nei singoli capitoli nei quali le diapositive del corso sono raggruppate. DOCENTI E COMMISSIONI SEBASTIANO SERPICO Ricevimento: Ricevimento su appuntamento. MARTINA PASTORINO Ricevimento: Su richiesta. La richiesta deve essere indirizzata al docente dell'insegnamento per posta elettronica. LEZIONI INIZIO LEZIONI https://corsi.unige.it/10378/p/studenti-orario Orari delle lezioni L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy ESAMI MODALITA' D'ESAME Esame scritto obbligatorio sugli argomenti del programma del corso, con voto massimo ammissibile pari a 24/30. Se lo studente ottiene un voto sufficiente in questa prova scritta, allora può anche sostenere facoltativamente una prova orale aggiuntiva con votazione massima ammissibile pari a 30/30 con lode. MODALITA' DI ACCERTAMENTO L'accertamento si basa su domande atte a verificare la comprensione dei concetti insegnati, la capacità di scegliere la metodologia più adatta in presenza di casi specifici e di applicare gli algoritmi presentati a lezione e durante le esercitazioni a problemi semplici. ALTRE INFORMAZIONI Gli studenti con disabilità o con DSA possono fare richiesta di misure compensative/dispensative per l'esame. Le modalità saranno definite caso per caso insieme al Referente per Ingegneria del Comitato di Ateneo per il supporto agli studenti disabili e con DSA. Gli studenti che volessero farne richiesta sono invitati a contattare il docente dell'insegnamento con congruo anticipo mettendo in copia il Referente per Ingegneria (https://unige.it/commissioni/comitatoperlinclusionedeglistudenticondisabilita.html), senza inviare documenti in merito alla propria disabilità. Agenda 2030 Istruzione di qualità Lavoro dignitoso e crescita economica