MACHINE LEARNING FOR PATTERN RECOGNITION

MACHINE LEARNING FOR PATTERN RECOGNITION

_
iten
Ultimo aggiornamento 30/06/2021 17:09
Codice
104852
ANNO ACCADEMICO
2021/2022
CFU
5 cfu al 1° anno di 10378 INTERNET AND MULTIMEDIA ENGINEERING (LM-27) GENOVA
SETTORE SCIENTIFICO DISCIPLINARE
ING-INF/03
SEDE
GENOVA (INTERNET AND MULTIMEDIA ENGINEERING)
periodo
2° Semestre
materiale didattico

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. 

Modalità 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 insegnamento 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 considerati:

  • 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".

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

Ricevimento: Su appuntamento.

LEZIONI

Modalità 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.

ORARI

L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.