CODICE 104852 ANNO ACCADEMICO 2020/2021 CFU 5 cfu anno 2 INTERNET AND MULTIMEDIA ENGINEERING 10378 (LM-27) - GENOVA 5 cfu anno 1 INTERNET AND MULTIMEDIA ENGINEERING 10378 (LM-27) - GENOVA SETTORE SCIENTIFICO DISCIPLINARE ING-INF/03 SEDE GENOVA PERIODO 2° Semestre MATERIALE DIDATTICO AULAWEB 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 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 In questo corso 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 cosiderati: 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" la classificazione contestuale di immagini. 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: Su appuntamento. Commissione d'esame SEBASTIANO SERPICO (Presidente) SILVANA DELLEPIANE GABRIELE MOSER (Presidente Supplente) LEZIONI INIZIO LEZIONI Come da calendario didattico. Orari delle lezioni L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy ESAMI Calendario appelli Data appello Orario Luogo Tipologia Note 11/06/2021 16:00 GENOVA Orale 01/07/2021 16:00 GENOVA Orale 20/07/2021 16:00 GENOVA Orale 13/09/2021 16:00 GENOVA Orale