OBIETTIVI FORMATIVI

In this course several Machine learning methods applied to pattern recognition are presented and their application to images from real domains are discussed: • Decision Theory • Supervised Probability Density Estimate • Feature Reduction • Linear and Nonlinear Classifiers (MDM, k-nn, SVMs) • Neural Networks and Deep Learning • Accuracy of Supervised Classifiers • Unsupervised Classifiers (Clustering) • Fuzzy Classifiers • Contextual image classification

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Scopo di questo corso 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 del corso 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, reti neurali, "deep learning"), valutare o stimare l'accuratezza di un classificatore supervisionato, rappresentare e utilizzare l'informazione contestuale presente in un'immagine, 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. 

L'effettivo svolgimento in presenza delle lezioni e delle esercitazioni di laboratorio dipenderà dalle decisioni del corso di studi e dell'ateneo in relazione all'evoluzione dell'emergenza sanitaria dovuta al COVID-19.

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.
• 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.