|
Insegnamento
MACHINE LEARNING PER LA BIOINGEGNERIA
INP4063695, A.A. 2016/17
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 |
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)
|
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.
-
Christopher Bishop, Pattern Recognition and Machine Learning. --: Springer Verlag, --. 2009
|
|
|