Corso di
PATTERN RECOGNITION E MACHINE LEARNING

Scheda

Docente

Programma

Cosa è la pattern recognition e il machine learning.

I dati sperimentali e le caratteristiche degli strumenti di misura.

Fondamenti dell'analisi statistica dei dati.

Vettori, spazi vettoriali e matrici.

Matrici e statistica delle matrici (matrice di covarianza, autovettori, autovalori).

Analisi esplorativa.

Estrazione delle features.

Preprocessamento dei dati.

Identificazione di outliers.

Analisi delle componenti principali (PCA) e Partial Least Square (PLS).

Analisi descrittiva multivariata.

Algoritmi per la Feature selection.

Teoria e tecniche di classificazione (Pattern Recognition) e loro applicazioni.

Modelli di classificazione non supervisionati (cluster analysis, C-means, etc.)

Modelli lineari di classificazione supervisionati. Classificatori Hard e Soft: Fisher discriminant analysis, k-NN, Mahalanobis classifier, PLS-DA, SIMCA, etc.

Tecniche di validazione dei modelli (Leave one out cross validation, Venetian blind, etc.).

Reti neurali per la classificazione e Support Vector Machine.

Algoritmi genetici e bioinspirati (Ant Colony Optimization, Ant miner, Algoritmi genetici, Artificial Immune System, etc.) e loro applicazioni.

Deep Learning: teoria ed esempi.

Lezioni 2024-25

Statistiche