|
Docente
|
MARTINELLI EUGENIO
(programma)
L'obiettivo del corso è fornire una conoscenza approfondita delle principali tecniche di pattern recognition e Machine learning per il trattamento statistico e l’analisi di dati di natura eterogenea. In particolare verranno presentati e approfonditi i principali algoritmi di classificazione di dati, di sequenze temporali di informazioni e di pattern complessi.
Il corso prevede anche una serie di esercitazioni pratiche in cui gli studenti possono applicare gli algoritmi visti a lezione con dei dataset forniti dal docente.
In dettaglio gli argomenti trattati dal corso:
1. Cosa è la pattern recognition e il machine learning
2. I dati sperimentali e le caratteristiche degli strumenti di misura
3. Fondamenti dell’ analisi statistica dei dati
4. Vettori, spazi vettoriali e matrici
5. Matrici e statistica delle matrici (matrice di Covarianza, autovettori, autovalori)
6. Analisi esplorativa:
a. Estrazione delle features.
b. Preprocessamento dei dati.
c. Identificazione di outliers.
d. Analisi delle componenti principali (PCA)e Partial Least Square (PLS).
e. Analisi descrittiva multivariata.
7. Teoria e tecniche di classificazione (Pattern Recognition) e loro applicazioni.
a. Modelli di classificazione lineari supervisionati e non superivisonati (Fisher discriminant analysis, KNN, Mahalanobis classifier, PLS-DA,…).
b. Tecniche di validazione dei modelli (Leave one out cross validation, Venetian blind, …).
c. Reti neurali per la classificazione e Support Vector Machine.
8. Algoritmi genetici e bioinspirati (Ant Colony Optimization, Ant miner, Algoritmi genetici, Artificial Immune System,…) e loro applicazioni.
9. Introduzione al Deep Learning e sue applicazioni.
 Pattern Recognition and Machine Learning, C. Bishop
Dispense e slide del docente.
|
