Università degli studi dell'Insubria

SISTEMI INTELLIGENTI

A.A. di erogazione 2017/2018

Laurea Magistrale in INFORMATICA
 (A.A. 2017/2018)
Anno di corso: 
1
Tipologia di insegnamento: 
Caratterizzante
Settore disciplinare: 
INFORMATICA (INF/01)
Crediti: 
9
Ciclo: 
Primo Semestre
Ore di attivita' frontale: 
72
Dettaglio ore: 
Lezione (72 ore)

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.

72 ore di Lezioni frontali

Modalita' 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 incrementare se opportuno, il voto finale.

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

Cerchi il programma? Potrebbe non essere ancora stato caricato o riferirsi ad insegnamenti che verranno erogati in futuro.
Seleziona l‘anno in cui ti sei immatricolato e troverai le informazioni relative all'insegnamento del tuo piano di studio.

A.A. 2016/2017

Anno di corso: 1
Curriculum: GENERICO

A.A. 2015/2016

Anno di corso: 1
Curriculum: GENERICO

A.A. 2014/2015

Anno di corso: 1
Curriculum: GENERICO

A.A. 2013/2014

Anno di corso: 1
Curriculum: GENERICO