Insegnamento
MACHINE LEARNING PER LA BIOINGEGNERIA
INP4063695, A.A. 2016/17

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
BIOINGEGNERIA
IN0532, ordinamento 2011/12, A.A. 2016/17
1133802
Crediti formativi 6.0
Denominazione inglese MACHINE LEARNING FOR BIOENGINEERING
Dipartimento di riferimento Dipartimento di Ingegneria dell'Informazione (DEI)
Sito E-Learning https://elearning.dei.unipd.it/course/view.php?idnumber=2016-IN0532-000ZZ-2015-INP4063695-N0
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA

Docenti
Responsabile ENRICO GRISAN ING-INF/06

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

Modalità di erogazione
Periodo di erogazione Secondo semestre
Anno di corso II 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 27/02/2017
Fine attività didattiche 09/06/2017

Commissioni d'esame
Commissione Dal Al Membri
2 A.A. 2016/2017 01/10/2016 15/03/2018 GRISAN ENRICO (Presidente)
BERTOLDO ALESSANDRA (Membro Effettivo)
BADIA LEONARDO (Supplente)
DI CAMILLO BARBARA (Supplente)
PEDERSEN MORTEN GRAM (Supplente)
ROSSI MICHELE (Supplente)
1 A.A. 2015/2016 01/10/2015 15/03/2017 GRISAN ENRICO (Presidente)
DI CAMILLO BARBARA (Membro Effettivo)
BADIA LEONARDO (Supplente)
BERTOLDO ALESSANDRA (Supplente)
ROSSI MICHELE (Supplente)
SPARACINO GIOVANNI (Supplente)

Syllabus
Prerequisiti: Basi i probabilità e di algebra lineare
Conoscenze e abilita' da acquisire: Il corso (in inglese) introduce lo studente ad una varietà di argomenti di apprendimento automatico e riconoscimento statistico, applicaati alla ingegneria biomedica.
La prima parte del corso tratta di metodi di apprendimento con supervisione, fornendo una panoramica di metodi classici per la regressione e la classificazione, sia lineari che non-lineari.
La seconda parte del corso presenta una piccola panoramica di metodi di apprendimento senza supervisione, con particalre riguardo ai metodi di clustering e di riduzione della dimensionalità.
Infine, saranno presentati metodi per incrementare i risultati di classificatori deboli, ed una descrizione introduttiva di metodi di apprendimento sparsi.
Modalita' di esame: Esame orale e tesina pratica utilizzando Matlab.
Criteri di valutazione: La valutazione sarà basata sull'acquisizione e comprensione degli argomenti trattati durante le lezioni o assegnati agli studenti, e sull'abilità di applicare praticamente i metodi appresi.
Contenuti: PART I: Supervised Learning
Linear models
Linear classification and linear regression. Extending linear models through nonlinear transforms. Logistic regression, maximum likelihood, and gradient descent.
The principled choice of error measures. Learning with noisy target.
Training and testing. Generalization ability of a learning model. Learning from a finite sample. Validation: model selection, cross validation.
The VC Dimension, Bias-Variance Tradeoff

Discriminant analysis

Nearest neighbours

Neural Networks: Backpropagation learning algorithm, hidden layers. Regularization: hard and soft constraints, augmented error and weight decay.

Support vector machines: the kernel trick, using soft margins, primal and dual form.

PART II: Unsupervised learning
Cluster analysis: K-means Clustering, Mixtures of Gaussians and the EM estimation

Dimensionality reduction: Factor analysis, Principal Component Analysis (PCA), Independent component analysis (ICA), Linear discriminant analysis revisited

PART III: Ensamble methods & sparse methods
Additive models and exponential loss
AdaBoost and its variants
L1 optimization for feature selection
Dictionary learning (if time allows)
Attivita' di apprendimento previste e metodologie di insegnamento: Lezioni in classe e laboratorio
Eventuali indicazioni sui materiali di studio:
Testi di riferimento:
  • Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction.. --: Springer-Verlag, 2009. Cerca nel catalogo
  • Christopher Bishop, Pattern Recognition and Machine Learning. --: Springer Verlag, --. 2009 Cerca nel catalogo