Il corso intende fornire gli strumenti per l'analisi di grandi moli di dati (audio, video, testo) generati dagli odierni sistemi di informazione e comunicazione, e dai relativi servizi offerti.
Competenze derivanti da settori di computer science, statistica e ottimizzazione saranno introdotti per fornire i mezzi atti a comprendere, disegnare e implementare metodi che consentano di gestire complesse moli di dati, e trasformarle in informazione utile e semanticamente rilevante.
A tale scopo sono introdotti principi avanzati di teoria dell'informazione (sparse coding, compressive sensing, random matrices) principi di inferenza statistica, metodologie di clusterizzazione dei dati osservati, predizione analitica, e principi di ottimizzazione vincolata tramite elementi di teoria dei giochi.
Competenze derivanti da settori di computer science, statistica e ottimizzazione saranno introdotti per fornire i mezzi atti a comprendere, disegnare e implementare metodi che consentano di gestire complesse moli di dati, e trasformarle in informazione utile e semanticamente rilevante.
A tale scopo sono introdotti principi avanzati di teoria dell'informazione (sparse coding, compressive sensing, random matrices) principi di inferenza statistica, metodologie di clusterizzazione dei dati osservati, predizione analitica, e principi di ottimizzazione vincolata tramite elementi di teoria dei giochi.
scheda docente materiale didattico
A tale scopo sono introdotti principi di inferenza statistica nella prima parte del corso.
Successivamente viene illustrata la teoria alla base dei principali metodi di machine learning, includendo regressione, classificazione lineare e riduzione della dimensione delle osservazioni.
Vengono infine presentate le tecniche di deep learning maggiormente impiegate, includendo reti neurali convoluzionali (CNN), ricorrenti (RNN), e loro combinazioni. Vengono inoltre trattati contenuti avanzati di deep learning riguardanti reti siamesi, rilevamento di oggetti, modelli generativi e reti avversarie.
Sono previste esercitazioni pratiche in Matlab e Python per mostrare l'applicazione a casi reali delle tecniche mostrate.
Programma
Il corso intende fornire gli strumenti per l'analisi di grandi moli di dati (audio, video, testo) generati dagli odierni sistemi di telecomunicazione e dai relativi servizi offerti.A tale scopo sono introdotti principi di inferenza statistica nella prima parte del corso.
Successivamente viene illustrata la teoria alla base dei principali metodi di machine learning, includendo regressione, classificazione lineare e riduzione della dimensione delle osservazioni.
Vengono infine presentate le tecniche di deep learning maggiormente impiegate, includendo reti neurali convoluzionali (CNN), ricorrenti (RNN), e loro combinazioni. Vengono inoltre trattati contenuti avanzati di deep learning riguardanti reti siamesi, rilevamento di oggetti, modelli generativi e reti avversarie.
Sono previste esercitazioni pratiche in Matlab e Python per mostrare l'applicazione a casi reali delle tecniche mostrate.
Testi Adottati
Slide del corso.Bibliografia Di Riferimento
S. Nolan and T. Heinzen, “Statistics for the Behavioral Sciences” G. James, D. Witten, T. Hastie, R. Tibshirani, “An Introduction to Statistical Learning” I. Goodfellow, Y. Bengio, A. Courville, “Deep Learning” S. Theodoridis and K. Koutroumbas, “Pattern Recognition” S. Theodoridis and K. Koutroumbas, “Introduction to Pattern Recognition - A Matlab Approach” K. P. Murphy, “Machine Learning - A Probabilistic Perspective” T. A. Runkler, “Data Analytics - Models and Algorithms for Intelligent Data Analysis”Modalità Erogazione
Lezioni frontali, seminari, esercitazioni praticheModalità Valutazione
La verifica dell’apprendimento avviene attraverso una prova orale, di cui sono oggetto gli argomenti illutsrati durante il corso, finalizzata a valutare il livello di comprensione effettiva dei concetti e la capacità degli studenti di applicarli in contesti reali. A richiesta si può effettuare la prova in forma scritta. Nel periodo di emergenza COVID-19 l’esame di profitto sarà svolto secondo quanto previsto all’art.1 del Decreto Rettorale n°. 703 del 5 maggio 2020