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 is discussed: Decision Theory; Supervised Probability Density Estimation; Feature Reduction; Linear and Nonlinear Classification (MDM, k-nn, SVMs, classifier ensembles); Neural Networks and Deep Learning; Accuracy of Supervised Classification; Unsupervised Classification (Clustering); Fuzzy Sets and Clustering.

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. 

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.

DOCENTI E COMMISSIONI

Commissione d'esame

SEBASTIANO SERPICO (Presidente)

SILVANA DELLEPIANE

IGNACIO GASTON MASARI

MARTINA PASTORINO

GABRIELE MOSER (Presidente Supplente)

LEZIONI

INIZIO LEZIONI

https://corsi.unige.it/10378/p/studenti-orario

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

Calendario appelli