OBIETTIVI FORMATIVI

Analisi e visualizzazione dei dati. Modelli grafici statici (reti Bayesiane, regressione, analisi fattoriale, teoria della decisione e misture di Gaussiane). Modelli grafici dinamici (hidden markov models, modelli dinamici lineari). Reti neurali. Quantizzazione vettoriale e macchine a supporto vettoriale. Approccio Bayesiano al confronto fra modelli e al test di ipotesi.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Lo scopo di questo corso è fornire agli studenti gli strumenti essenziali per l'analisi quantitativa di dati e segnali di interesse per la medicina e la biologia.

Entro la fine del corso gli studenti saranno in grado di:

1. Progettare e applicare metodi di analisi e modellizzazione dei dati - compresi i dati temporali (segnali) - di interesse per la medicina e la biologia
2. Identificare l'approccio corretto (selezione del modello, identificazione del modello, visualizzazione dei dati) per uno specifico problema di analisi dei dati
3. Utilizzare MATLAB per visualizzare correttamente ed efficacemente dati e segnali biomedici e implementare modelli di essi

PREREQUISITI

Non ci sono prerequisiti formali, ma il corso richiede solide basi nell'analisi matematica e nell'algebra lineare.

MODALITA' DIDATTICHE

Il corso è organizzato combina lezioni frontali e attività di laboratorio.

Le lezioni frontali si concentreranno su teoria e metodi per l'analisi dei dati.

Le attività di laboratorio si concentreranno sull'applicazione a problemi di analisi dei dati reali nel contesto della bioingegneria.

Nell'AA 2020-2021 il corso sarà tenuto in presenza, ma tutte le lezioni e le attività di laboratorio saranno offerte anche a distanza, sia online che offline.

PROGRAMMA/CONTENUTO

A. Analisi e visualizzazione dei dati.  tipi di dati. Analisi come identificazione di modelli. Analisi statistica dei dati. Cosa fare e cosa non fare nella visualizzazione dei dati

B. Stime di densità di probabilità Apprendimento senza supervisione. Modello gaussiano. Analisi delle componenti principali, analisi fattoriale, analisi delle componenti indipendenti, analisi dei cluster e algoritmo EM.

C. Teoria delle decisioni. Teoria Bayesiana della decisione. Classificatori Bayesiani. Classificatori logistici. Modelli lineari generalizzati. Prestazioni di un classificatore: curva ROC.

D. Reti neurali multistrato. Percettroni. Reti neurali multistrato e algoritmo della backpropagation. Progettazione di un modello di rete neurale

E. Modelli grafici. Dati statici. Un quadro generale per la modellazione dei dati. L'algoritmo EM. Regressione, teoria delle decisioni, analisi fattoriale come modelli grafici. Modelli grafici dinamici (panoramica): dati temporali (segnali). Segnali discreti vs continui. Modelli di Markov nascosti, sistemi dinamici lineari come modelli grafici dinamici

F. Generalizzazione. Teoria della regolarizzazione, quantizzazione vettoriale. Supportare macchine vettoriali.

TESTI/BIBLIOGRAFIA

Murphy, KP. Machine Learning: A Probabilistic Perspective.  MIT Press, 2012.

.