Salta al contenuto principale
CODICE 104852
ANNO ACCADEMICO 2025/2026
CFU
SETTORE SCIENTIFICO DISCIPLINARE ING-INF/03
LINGUA Inglese
SEDE
  • GENOVA
PERIODO 2° Semestre
MODULI Questo insegnamento è un modulo di:

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

LEZIONI

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

Agenda 2030
Istruzione di qualità
Istruzione di qualità
Lavoro dignitoso e crescita economica
Lavoro dignitoso e crescita economica