Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Ingegneria
BIOINGEGNERIA
Insegnamento
MACHINE LEARNING FOR BIOENGINEERING - MACHINE LEARNING PER LA BIOINGEGNERIA (Numerosita' canale 2)
INP6075800, A.A. 2017/18

Informazioni valide per gli studenti immatricolati nell'A.A. 2016/17

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
BIOINGEGNERIA
IN0532, ordinamento 2011/12, A.A. 2017/18
N2cn2
porta questa
pagina con te
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese MACHINE LEARNING FOR BIOENGINEERING
Dipartimento di riferimento Dipartimento di Ingegneria dell'Informazione (DEI)
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile FABIO VANDIN ING-INF/05

Mutuante
Codice Insegnamento Responsabile Corso di studio
INP6075419 MACHINE LEARNING - APPRENDIMENTO AUTOMATICO (Numerosita' canale 2) FABIO VANDIN IN0521

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Ingegneria biomedica ING-INF/06 6.0

Organizzazione dell'insegnamento
Periodo di erogazione Primo semestre
Anno di corso II Anno
Modalità di erogazione frontale

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
LEZIONE 6.0 48 102.0

Calendario
Inizio attività didattiche 25/09/2017
Fine attività didattiche 19/01/2018

Commissioni d'esame
Commissione Dal Al Membri
2 A.A. 2017/2018 01/10/2017 15/03/2019 CHIUSO ALESSANDRO (Presidente)
VANDIN FABIO (Membro Effettivo)
PILLONETTO GIANLUIGI (Supplente)
ZORZI MATTIA (Supplente)
1 A.A. 2016/2017 01/10/2016 15/03/2018 CHIUSO ALESSANDRO (Presidente)
VANDIN FABIO (Membro Effettivo)
PILLONETTO GIANLUIGI (Supplente)
ZORZI MATTIA (Supplente)

Syllabus
Prerequisiti: Conoscenze di Base di Probabilita', Statistica e Algebra Lineare
Conoscenze e abilita' da acquisire: Lo scopo del corso e' di fornire i principi fondamentali del problema di apprendimento e di introdurre i principali algoritmi per la regressione e la classificazione. Verranno trattati problemi di apprendimento supervisionato e non supervisionato; se possibile saranno inclusi anche alcuni argomenti piu' avanzati come sparsita e "boosting". Il corso includera' esercitazioni al calcolatore.
Modalita' di esame: Esame scritto ed esercitazioni al calcolatore.
Criteri di valutazione: Conoscenza degli strumenti per la predizione (regressione e classificazione). Abilita' analitica e pratica nell'uso di questi strumenti per la soluzione di semplici problemi.
Contenuti: Motivazioni, componenti del problema di apprendimento e applicazioni dell'apprendimento automatico. Apprendimento supervisionato e non supervisionato.

Parte I: Apprendimento supervisionato.

Introduzione: Dati - classi di modelli - funzioni di costo
Modelli probabilistici e ipotesi sui dati
Modelli, funzioni costo e funzione di regressione. Regressione Classificazione

Bonta' di un modello, complessita', compromesso tra distorsione e varianza (dimensione di Vapnik0Cervonenkis - errore di generalizzazione)

Minimi quadrati, Massima Verosimiglianza e Probabilita' a posteriori.

Modelli per la regressione: regressione lineare (scalare e multivariata) -Paradosso di Stein e Regolarizzazione. Selezione di Variabili. Modelli Linerari nei parametri, Regolarizzazione. Modelli Locali e Globali (Kernels e NNR).

Riduzione della dimensionalita: Regressione alle componenti principali, Minimi Quadrati Parziali.

Classi di modelli non lineari: Sigmoidi, Reti Neurali.

Metodi "Kernel'': Support Vectors Machines.

Metodi per la classificazione: Discriminanti Lineari, Regressione Logistica, NN, Perceptron, Classificatore di Bayes, SVM

Validazione e selezione dei modelli: Errore di Generalizzazione, Compromesso tra distorsione e varianza, Cross Validation, SURE. Determinazione della Complessita del modello.

Parte II: Apprendimento non supervisionato

Analisi di clusters: K-means, misture di Gaussiane e stima EM. Riduzione della dimensionalita': analisi alle componenti principali (PCA)
Attivita' di apprendimento previste e metodologie di insegnamento: Lezioni teoriche ed esercitazioni. Esercitazioni al calcolatore (in laboratorio).
Eventuali indicazioni sui materiali di studio: Il corso sara basato sui libri di testo: "Machine Learninga probabilistic perspective", "Pattern Recognition and Machine Learning", "The Elements of Statistical Learning" e "Understanding Machine Learning: from Theory to Algorithms" (vedi Sezione "Testi di Riferimento")
Testi di riferimento:
  • T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning.. --: Springer, 2008. Cerca nel catalogo
  • C. M. Bishop, Pattern Recognition and Machine Learning. --: Springer, 2006. Cerca nel catalogo
  • Shalev-Shwartz, Shai; Ben-David, Shai, Understanding machine learningfrom theory to algorithms.. --: Cambridge University Press, 2014. Cerca nel catalogo
  • Murphy, Kevin P., Machine Learninga probabilistic perspective. --: Mit press, 2012. Cerca nel catalogo