MACHINE LEARNING FOR PATTERN RECOGNITION (2ST MODULE)
cod. 1006079

Anno accademico 2016/17
2° anno di corso - Secondo semestre
Docente
Stefano CAGNONI
Settore scientifico disciplinare
Sistemi di elaborazione delle informazioni (ING-INF/05)
Ambito
A scelta dello studente
Tipologia attività formativa
A scelta dello studente
21 ore
di attività frontali
3 crediti
sede: PARMA
insegnamento
in

Modulo dell'insegnamento integrato: MACHINE LEARNING FOR PATTERN RECOGNITION

Obiettivi formativi

L’obiettivo del modulo è l'insegnamento teorico e pratico di alcuni algoritmi di apprendimento automatico finalizzati alla classificazione di dati.

Le tecniche proposte nel corso permetteranno allo studente di:
- apprendere ed utilizzare algoritmi di apprendimento induttivo
- apprendere ed utilizzare reti neurali ed altre famiglie di algoritmi per la classificazione supervisionata dei dati
- apprendere ed applicare i principali algoritmi di clustering supervisionato e non supervisionato

Prerequisiti

Corsi di base in algebra lineare e teoria della probabilità, quali ad esempio quelli offerti nel corso di laurea triennale corrispondente, sono necessari prerequisiti per questo corso.

Contenuti dell'insegnamento

Parte 1: Introduzione

Lezione 1: Come impostare un esperimento di machine learning
Lezione 2: Classificazione basata sull'apprendimento

Parte 2: Reti neurali

Lezione 3: Introduzione alle reti neurali
Lezione 4: Apprendimento supervisionato e non supervisionato
Lezione 5: Apprendimento supervisionato: l'algoritmo Backpropagation
Lezione 6: Apprendimento non supervisionato e clustering
Lezione 7: Reti auto-organizzanti di Kohonen (SOM)
Lezione 8: Learning Vector Quantization

Parte 3: Altri classificatori basati sull'apprendimento

Lezione 9: Support Vector Machines


Esercitazioni in laboratorio:

Esercitazione 1: WEKA
Esercitazione 2: Classificazione con WEKA: Multi-Layer Perceptrons
Esercitazione 3: Clustering mediante SOM

Programma esteso

- - -

Bibliografia

[1] C. W. Therrien, "Decision, estimation and classification" Wiley, 1989
[2] C. M. Bishop "Pattern Recognition and Machine Learning", Springer, 2006.
[3] R O Duda, P, E. Hart, D. G. Stork, "Pattern classification", 2nd Ed., Wiley, 2001

Metodi didattici

Didattica frontale 18 ore.
Esercitazioni 6 ore.

Esercizi assegnati per casa.

Modalità verifica apprendimento

Assegnazione di un progetto pratico, i cui risultati dovranno essere presentati in forma di relazione scritta e di presentazione orale.

Altre informazioni

Ricevimento

su appuntamento(Sede Scientifica Ingegneria, Pal.1, I piano,
email stefano.cagnoni[AT]unipr.it).

Obiettivi agenda 2030 per lo sviluppo sostenibile

- - -