Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
DATA SCIENCE
Insegnamento
HUMAN DATA ANALYTICS
SCP7079397, A.A. 2017/18

Informazioni valide per gli studenti immatricolati nell'A.A. 2017/18

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
DATA SCIENCE
SC2377, ordinamento 2017/18, A.A. 2017/18
N0
porta questa
pagina con te
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese HUMAN DATA ANALYTICS
Sito della struttura didattica http://datascience.scienze.unipd.it/2017/laurea_magistrale
Dipartimento di riferimento Dipartimento di Matematica
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 MICHELE ROSSI ING-INF/03

Mutuazioni
Codice Insegnamento Responsabile Corso
INP7080694 HUMAN DATA ANALYTICS - ANALISI DI DATI BIOMETRICI MICHELE ROSSI IN2371
INP7080694 HUMAN DATA ANALYTICS - ANALISI DI DATI BIOMETRICI MICHELE ROSSI IN2371

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Tecnologie dell'informatica ING-INF/03 6.0

Modalità di erogazione
Periodo di erogazione Secondo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Organizzazione della didattica
Tipo ore Crediti Ore di
Corso
Ore Studio
Individuale
Turni
LEZIONE 6.0 48 102.0 Nessun turno

Calendario
Inizio attività didattiche 26/02/2018
Fine attività didattiche 01/06/2018

Syllabus
Prerequisiti: Si consiglia un corso di base che fornisca le basi della teoria delle probabilità. Un corso di programmazione di base è altresì utile per il corretto apprendimento dei concetti esposti.
Conoscenze e abilita' da acquisire: Le competenze che verranno acquisite dallo studente sono molteplici e tutte collegate all'analisi di segnali biometrici o comunque generati dall'attività dell'uomo quali il suo movimento. In particolare, lo studente apprenderà le seguenti conoscenze tecniche:

- Il trattamento di segnali quasi-periodici, estraendone strutture ricorrenti tramite rimozione del rumore e segmentazione: alcuni segnali fondamentali quali l'elettrocardiogramma e segnali di movimento misurati da dispositivi indossabili (wearables) verranno analizzati in dettaglio;
- L'estrazione di "features" da insiemi di dati biometrici;
- L'applicazione di algoritmi di classificazione (clustering) a segnali biometrici al fine di classificare i soggetti che li hanno generati o costruire dizionari per una rappresentazione accurata ma al tempo stesso compatta dei dati stessi;
- L'utilizzo di tecniche di apprendimento non-supervisionato, basate su reti neurali, al fine di partizionare i dati in cluster caratteristi ("vector quantization") e costruire dizionari per una loro rappresentazione efficiente;
- L'utilizzo di costrutti statistici, quali le catene di Markov nascoste e le reti Bayesiane, per la modellizzazione di dati correlati;
- L'utilizzo di reti neurali come strumenti per la mappatura di patterns e per la soluzione di problemi di classificazione.
Modalita' di esame: L'esame consisterà nella presentazione di un elaborato (progetto) nel quale verrà risolto un problema di classificazione su un determinato dataset. Lo studente dovrà implementare il software per la classificazione in oggetto, ottenere i risultati e commentarli.
Criteri di valutazione: I seguenti criteri di valutazione verranno presi in considerazione:

- Qualità della presentazione orale;
- Qualità del progetto finale: chiarezza espositiva, rigore matematico;
- Qualità dei risultati ottenuti;
- Originalità dell'approccio scelto;
- Complessità del problema affrontato.
Contenuti: Parte I – Introduzione al corso
- Intro: course outline, grading rules, office hours, etc.
- Applicazioni: salute, servizi "activity-aware", applicazioni di sicurezza e gestione delle emergenze, sistemi di autenticazione, analisi di dinamiche di attività umane

Parte II - Strumenti e tecniche
- Vector quantization (VQ):
-- Obiettivi, metriche di qualità
-- Algoritmi di VQ non-supervisionati:
--- Self-Organizing Maps (SOM), Time Adaptive-SOM (TASOM)
--- Gas Neural Networks (GNG)

- Reti Neurali "Deep" (DNN)
-- Neural networks brief: concept, examples, training
-- Reti Neurali Convoluzionali: architettura, allenamento

- Modelli per l'analisi sequenziale dei dati:
-- Modelli di Markov nascosti (Hidden Markov Models, HMM):
--- Massima verosimiglianza per HMM
--- Forward-backward algorithm
--- Algoritmo somma-prodotto
--- Algoritmo di Viterbi
-- Teoria della decisione sequenziale di Wald's (cado a processi iid)

Parte III – Applicazioni (usando gli strumenti della Parte II)
- Apprendimento di attività umana
-- Activities & sensors: definizioni, classi di attività
-- Features: features temporali, features statistiche, features spettrali, features estratte dal contesto
-- Riconoscimento di attività: segmentazione, finestre mobili, segmentazione non-supervisionata, metriche prestazionali e risultati

- Processamento di dati biometrici:
-- Segnali fisiologici quasi-periodici
--- Apprendimento di dizionari e algoritmi di compressione del segnale
- Segnali inerziali: riconoscimento dell'identità
- Sensori inerziali e video camere: tracciamento della camminata e sua profilazione

- Riconoscimento vocale:
-- Sistemi ibridi formati da reti neurali "deep" e modelli di Markov nascosti
-- Architettura, allenamento delle reti, prestazioni
Attivita' di apprendimento previste e metodologie di insegnamento: L'apprendimento avverrà tramite lezioni frontali svolte dal titolare del corso. Il progetto finale servirà per mettere in pratica le tecniche viste a lezione e verificarne l'efficacia in presenza di segnali reali.
Eventuali indicazioni sui materiali di studio: Il Professore fornirà tutto il materiale necessario che consisterà primariamente in:

1) capitoli di libro (diversi libri verranno utilizzati, in dipendenza dell'argomento trattato);
2) articoli scientifici;
3) slides.

Tutto il materiale scritto sarà in lingua Inglese. Il materiale ai punti 1), 2) e 3) sarà reso disponibile tramite il sito del corso (protetto da password).
Testi di riferimento:
  • Bishop, Christopher M., Pattern recognition and machine learningChristopher M. Bishop. New York: Springer, --. Cerca nel catalogo
  • Cook, Diane J.; Krishnan, Narayanan C., Activity learningdiscovering, recognizing and predicting human behavior from sensor dataDiane J. Cook, Narayanan C. Krishnan. Hoboken: NJ, Wiley, 2015. Cerca nel catalogo
  • Jeremy Watt, Reza Borhani, Aggelos K. Katsaggelos, Machine Learning Refined: Foundations, Algorithms, and Applications. --: Cambridge University Press, 2016.
  • Goodfellow, Ian; Courville, Aaron, Deep learningIan Goodfellow, Yoshua Bengio and Aaron Courville. Cambridge: MA [etc.], MIT Press, 2016. Cerca nel catalogo