Tu sei qui

Sistemi intelligenti

Sistemi Intelligenti
Corso di Laurea Magistrale in Informatica F008

SCV0153
Docente: Elisabetta Binaghi


CFU SSD LEZIONI ANNO LINGUA
9 INF/01 72 I Italiano


Obiettivi dell’insegnamento e risultati di apprendimento attesi
Il corso propone la trattazione ad ampio spettro dei principali metodi per la realizzazione di Sistemi Intelligenti finalizzati alla soluzione di problemi di Riconoscimento Automatico. I temi trattati sono scelti sia per la significatività ad illustrare i fondamenti della disciplina sia per la rilevanza applicativa.
L’obbiettivo che viene perseguito è quindi quello di illustrare in modo approfondito i concetti alla base della progettazione di Sistemi Intelligenti per il Riconoscimento Automatico e di conferire allo studente, attraverso una panoramica degli approcci più rappresentativi ed attraverso riferimenti ad ambiti applicativi , la capacità di scegliere opportunamente la tecnica adeguata alla soluzione di problemi di Riconoscimento e/o di Classificazione automatica di dati multidimensionali.
I risultati di apprendimento attesi riferiti ai vari argomenti in programma sono i seguenti:
- Analisi preliminare dei prerequisiti relativi all’applicabilità di un metodo di classificazione automatica: bontà del training e test set, presenza di dati supervisionati

  • Potere discriminante e caratterizzante delle features
  • Applicazione di tecniche statistiche con competenza su limiti e potenzialità di ciascun approccio trattato
  • Configurazione di modelli neurali supervisionati, applicazione di regole euristiche nella scelta della topologia di rete, controllo di condizioni di overfitting, controllo su andamento dell’errore in training
  • Utilizzo di tecniche di Clustering flat e gerarchiche con competenze nella problematicità nel tuning dei parametri
  • Valutazione critica delle opportunità offerte dal Competitive Learning e dagli approcci neurali Self-Organizing
  • Impostazione di un sistema di riconoscimento o di controllo automatico basato su Logica Fuzzy, definizione di fuzzy sets e regole IF-Then
  • Applicazione di metriche per la valutazione di accuratezze di un sistema di classificazione
  • Competenze preliminari nei seguenti ambiti: Classificazione Automatica di Immagini, Classificazione del Testo, Classificazione di dati biomedicali

Prerequisiti
Il corso presuppone che lo studente che accede a questo insegnamento abbia un background di conoscenze acquisibile mediamente una Laurea Triennale in Informatica. Nello specifico, è desiderabile che lo studente abbia nozioni di Calcolo Vettoriale e Matriciale e di Statistica.

Contenuti e programma del corso

  • Introduzione all’Intelligenza Artificiale ed alla Pattern Recognition: Prospettiva Storica, Stato dell’Arte metodologico ed applicativo
  • Presentazione degli Approcci Teoretico-Decisionali al Riconoscimento; Schema di un Classificatore Supervisionato; principi di Apprendimento Automatico da esempi; formalizzazione del concetto di Pattern Multidimensionale
  • Tecniche di Estrazione e Selezione delle features:
    • Principal Component Analysis,
    • Pearson correlation coefficient
    • Information Gain
    • Misure statistiche di separabilità
    • Sequential Forward Selection
    • Costruzione di pattern multidimensionali nella classificazione dei testi, nella classificazione di immagini multispetrali e nel content-based image retrival.
  • Classificazione Automatica – approcci convenzionali:
    • Classificatore a minima distanza
    • Distanze Deterministiche
    • Teorema e regola di decisione di Bayes
    • Maximum likelihood
    • Metodo del Parallelepipedo
    • K-Nearest Neighborhood
  • Reti Neurali
    • Introduzione, prospettiva storica, tassonomia
    • Reti neurali ricorrenti: Memorie Associative Bidirezionali, Reti di Hopfield
    • Reti feed forward, il Percettrone
    • Algoritmi di apprendimento per il percettrone: fixed increment rule, Delta rule
    • Limiti del Percettrone, il problema dello XOR
    • Multilayer Perceptron, topologia
    • Apprendimento Backpropagation
    • Esempi di applicazione
  • Clustering
    • Algoritmo di Clustering k-means,
    • Agglomerative Hierarchical Clustering: Single linkage, Complete linkage
  • Competitive Neural Learning
    • Self Organizing Maps
    • Reti di Kohonen
  • Soft Computing
    • Teoria dei Fuzzy Sets
    • Tecniche di Ragionamento Approssimato
    • Cenni agli approci ibridi Neuro-Fuzzy
  • Metriche di valutazione
    • Matrici di Confusione e indici derivati
    • Kappa di Cohen
    • Indice di Jaccard
    • Esempi di utilizzo delle metriche di valutazione nella cassificazione di immagini, nell’informatica medica e nell’Information retrival
  • Valutazione degli aspetti operativi dei principali metodi di classificazione trattati con presentazione ed analisi di Demo.

Tipologia delle attività didattiche
Lezioni frontali.

Testi e materiale didattico
Materiale disponibile sul sito di e-learning dell’Università:

  • Dispense Fornite dal Docente,
  • Articoli Scientifici, links a siti di Università e Laboratori di Ricerca in cui trovare tutorials e Demo on line

Libro Consigliato: R.O. Duda, P.E. Hart, and D.G. Stork, Pattern Classification, New York: John Wiley & Sons, 2001
Modalità di verifica dell’apprendimento
E’ previsto un esame finale, che accerta i risultati dell’apprendimento attesi tramite lo svolgimento di una prova scritta della durata di 2 ore, in cui non è prevista la consultazione di libri e altro materiale. La prova scritta consiste in genere di 5 domande, alcune interamente di teoria, altre con inclusi esercizi numerici affini ad esempi utilizzati durante le lezioni a fini esplicativi.
Dopo la correzione degli scritti lo studente viene convocato per una revisione della prova scritta in cui si chiedono eventuali precisazioni con cui modificare, se opportuno, il voto finale.


Orario di ricevimento
Il ricevimento viene concordato via e-mail.

Theme by Danetsoft and Danang Probo Sayekti inspired by Maksimer