Insegnamento
MACHINE LEARNING FOR BIOENGINEERING - MACHINE LEARNING PER LA BIOINGEGNERIA
INP6075800, A.A. 2018/19

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
BIOINGEGNERIA
IN0532, ordinamento 2011/12, A.A. 2018/19
1164036
Crediti formativi 6.0
Denominazione inglese MACHINE LEARNING FOR BIOENGINEERING
Dipartimento di riferimento Dipartimento di Ingegneria dell'Informazione (DEI)
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA

Docenti
Responsabile ALESSANDRO CHIUSO ING-INF/04

Mutuante
Codice Insegnamento Responsabile Corso
INP6075419 MACHINE LEARNING - APPRENDIMENTO AUTOMATICO ALESSANDRO CHIUSO IN0527

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

Modalità di erogazione
Periodo di erogazione Primo 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 01/10/2018
Fine attività didattiche 18/01/2019

Syllabus
Prerequisiti: Conoscenze di Base di Analisi Matematica, Probabilità, Statistica, Algebra Lineare e Algoritmi, elementi di base di programmazione.
Conoscenze e abilita' da acquisire: Lo scopo del corso è di fornire i principi fondamentali del problema di apprendimento e di introdurre i principali algoritmi per la regressione e la classificazione. Il corso includerà esercitazioni al calcolatore. Alla fine del corso lo studente avrà le seguenti conoscenze ed abilità:
1. Conoscerà i principi fondamentali e le principali metodologie dell'apprendimento automatico.
2. Sarà in grado di affrontare problemi di apprendimento supervisionato e non supervisionato.
3. Saprà applicare queste metodologie a diversi scenari e problemi.
4. Sarà in grado di selezionare la metodologia più adatta alla soluzione di uno specifico problema di apprendimento sulla base delle caratteristiche del problema e dei dati a disposizione.
5. Avrà le competenze per utilizzare e adattare sistemi software in grado di risolvere i problemi considerati.
6. Se possibile saranno fornite anche competenze relative ad argomenti più avanzati come sparsità, boosting e deep learning
Modalita' di esame: La valutazione delle conoscenze e delle abilità acquisite viene effettuata mediante due contributi:
1. Una prova scritta a libro chiuso in cui lo studente deve risolvere dei problemi, al fine di verificare l'acquisizione dei principali ingredienti e strumenti del problema di apprendimento, la capacità analitica nel loro utilizzo e la capacita di interpretare i risultati tipici in un problema pratico di apprendimento.
2. Esercitazioni al calcolatore (facoltative) rivolte all’acquisizione delle competenze, anche pratiche, per l’utilizzo degli strumenti di machine learning. Queste esercitazioni, da svolgere a casa, consentono di verificare la capacità di mettere in pratica i concetti teorici acquisiti. Lo studente deve produrre una breve relazione che descriva le metodologie utilizzate per risolvere il progetto assegnato assieme ai risultati ottenuti.

Il voto finale sarà basato sulla prova scritta con un bonus fino ad un massimo di 3 punti per gli studenti che svolgeranno le esercitazioni di laboratorio
Criteri di valutazione: La valutazione con cui verrà effettuata la verifica delle conoscenze e delle abilità acquisite considera:
1. La completezza delle conoscenze acquisite per quanto riguarda gli strumenti per la predizione (regressione e classificazione).
2. La capacità di risolvere un problema di apprendimento attraverso le tecniche proposte
3. La proprietà nella terminologia tecnica usata, sia scritta che orale
4. L’originalità e indipendenza nella identificazione delle metodologie più adatte a risolvere uno specifico problema di apprendimento.
5. La capacità di interpretare i risultati in un problema pratico di apprendimento
6. Abilità nell'utilizzo degli strumenti informatici per l’apprendimento automatico
7. L’abilità analitica e pratica nell'uso di questi strumenti per la soluzione di semplici problemi.
Contenuti: Motivazioni, componenti del problema di apprendimento e applicazioni dell'apprendimento automatico. Apprendimento supervisionato e non supervisionato.

Parte I: Apprendimento supervisionato.

1. Introduzione: Dati, classi di modelli, funzioni di costo.
2. Modelli probabilistici e ipotesi sui dati. Funzione di regressione. Regressione e Classificazione.

3. Bonta' di un modello, complessità, compromesso tra distorsione e varianza (dimensione di Vapnik-Chervonenkis, errore di generalizzazione).

4. Modelli per la regressione: regressione lineare (scalare e multivariata), selezione di variabili, modelli lineari nei parametri, regolarizzazione.

5. Classi di modelli non lineari: Sigmoidi, Reti Neurali.

6. Metodi "Kernel'': Support Vectors Machines.

7. Metodi per la classificazione: Regressione Logistica, Reti Neurali, Perceptron, Classificatore di Bayes, SVM, Deep Learning.

8. Validazione e selezione dei modelli: errore di generalizzazione, compromesso tra distorsione e varianza, cross validation. Determinazione della complessità del modello.

Parte II: Apprendimento non supervisionato

1. Analisi di clusters: K-means, misture di Gaussiane e stima EM.

2. Riduzione della dimensionalità: analisi delle componenti principali (PCA).
Attivita' di apprendimento previste e metodologie di insegnamento: Lezioni teoriche con utilizzo sia della lavagna (perché permette di mantenere un ritmo adeguato e facilita l’interazione con gli studenti durante le lezioni) che di slides o altro materiale al computer quando questo aiuta ad ottenere una migliore comprensione degli argomenti spiegati (ad esempio figure complesse, animazioni che mostrano l’esecuzione degli algoritmi, etc..).
Esercitazioni in aula con coinvolgimento degli studenti, Esercitazioni al calcolatore (in laboratorio), anche con l’utilizzo di case-studies. Tutto il materiale didattico presentato durante le ore di lezione frontale sarà reso disponibile sulla piattaforma elearning ( http://elearning.dei.unipd.it ).
Eventuali indicazioni sui materiali di studio: Il corso sarà basato sui libri di testo: Understanding Machine Learning: from Theory to Algorithms", "Machine Learning, a probabilistic perspective", "Pattern Recognition and Machine Learning", e "The Elements of Statistical Learning" (vedi Sezione "Testi di Riferimento").

Materiale aggiuntivo e informazioni dettagliate sulle modalità d'esame sono rese disponibili sul sito web del corso, accessibile dalla pagina http://elearning.dei.unipd.it
Testi di riferimento:
  • T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning. --: Springer, 2008. Cerca nel catalogo
  • C.M. Bishop, Pattern Recognition and Machine Learning. --: Springer, 2006. Cerca nel catalogo
  • Shalev-Shwartz, S. and Shai Ben-David, Understanding machine learning: From theory to algorithms. --: Cambridge University Press, 2014. Cerca nel catalogo
  • K.P. Murphy, Machine Learning A Probabilistic Perspective. --: MIT Press, 2012. Cerca nel catalogo