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 modulo 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), 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

Le lezioni e le esercitazioni saranno tutte in modalità ibrida sincrona: in presenza in aula e contemporaneamente tramesse su Teams. 

Si invitano gli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali a contattare il docente all’inizio del corso per concordare modalità didattiche e d’esame che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali e forniscano idonei strumenti compensativi. Si rammenta inoltre che la richiesta di misure compensative/dispensative per gli esami dovrà essere inviata, usando il modulo al seguente link
https://modulionline.unige.it/richiesta-adattamenti#no-back,
al docente del corso, al referente DIBRIS (silvana.dellepiane@unige.it) e al settore (inclusione.studenti@info.unige.it) almeno 7 giorni lavorativi prima della prova, come da linee guida presenti al link https://unige.it/disabilita-dsa/richiesta-servizi

PROGRAMMA/CONTENUTO

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.
• Bishop C. M.: 2006, Pattern Recognition and Machine Learning, Springer.

Riferimenti bibliografici specifici sono inseriti nei singoli capitoli nei quali le diapositive del modulo sono raggruppate.

DOCENTI E COMMISSIONI

LEZIONI

INIZIO LEZIONI

https://corsi.unige.it/corsi/11962/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

Il docente è a disposizione per ulteriori informazioni non incluse nella scheda insegnamento.