Course Syllabus
Obiettivi
L' obiettivo del corso è di fornire i concetti teorici e gli esercizi di programmazione base dell'applicazione di metodi di machine learning a dati, segnali e immagini di fisica delle particelle, dello spazio, biomedica, ambientale, dei beni culturali e in altre applicazioni.
Contenuti sintetici
Metodi di machine learning: principi e applicazioni-software a dati, segnali e immagini di fisica delle particelle, dello spazio, biomedica, ambientale, dei beni culturali e altre applicazioni.
Programma esteso
-Pattern, task (classificazione/localizzazione/detection/segmentazione/migioramento della qualità dell’immagine), learning methods, parametri, funzione obiettivo
-Training/validation/testing, metriche di misura delle performance, convergenza, generalizzazione, unbalanced classes, underfitting/overfitting
-Metodi di riduzione delle dimensioni dei pattern: Principal Component Analysis/Linear Discriminant Analysis
-Regressione lineare (semplice/multipla)
-Clustering: criteri/algoritmi, centroid-based clustering (k-means, fuzzy k-means, Expectation Maximization)
-Support Vector machines
-Classificatori multipli
-Decision trees/Random forests
-Reti neurali
-Deep learning
-Transfer learning
-Esercitazioni meadiante applicazioni-software a dati, segnali e immagini misurati da dispositivi di fisica delle particelle, fisica dello spazio, biomedica, ambientale, e dei beni culturali per tasks di classificazione/localizzazione/detection/segmentazione/migioramento della qualità dell’immagine.
Prerequisiti
Conoscenza di medio livello del linguaggio di programmazione Matlab o Python
Frequenza obbligatoria
Modalità didattica
Lezioni frontali ed esercitazioni mediante codici di programmazione.
Nel periodo di emergenza Covid-19 le lezioni si svolgeranno in lezioni videoregistrate asincrone.
Materiale didattico
Video, dati, codici di programmazione e articoli scientifici forniti agli studenti durante il corso (lezioni frontali e attività di laboratorio).
Periodo di erogazione dell'insegnamento
Secondo semestre.
Modalità di verifica del profitto e valutazione
L' esame consiste in un colloquio orale volto a verificare il livello di conoscenza dello studente degli argomenti trattati durante il corso e in un progetto di sviluppo di un codice di programmazione basato sui metodi di machine learning presentati durante il corso. Un approfondimento sulla letteratura scientifica svolto dallo studente integrerà la valutazione finale
Nel periodo di emergenza Covid-19 gli esami orali saranno solo telematici. Verranno svolti utilizzando la piattaforma WebEx e nella pagina e-learning dell'insegnamento verrà riportato un link pubblico per l'accesso all'esame di possibili spettatori virtuali.
Orario di ricevimento
Di norma martedi dalle 11.30 alle 12.30, su richiesta degli studenti.
Aims
The aim of the course is to provide the theoretical concepts and basic programming exercises of the application of machine learning methods to data, signals and images of particle physics, space, biomedical, environmental, cultural heritage and in other applications.
Contents
Machine learning methods: principles and software applications to data, signals and images of particle physics, space, biomedical, environmental, cultural heritage and other applications.
Detailed program
-Pattern, task (classification / localization / detection / segmentation / improvement of image quality), learning methods, parameters, objective function
-Training / validation / testing, performance measurement metrics, convergence, generalization, unbalanced classes, underfitting / overfitting
- Pattern size reduction methods: Principal Component Analysis / Linear Discriminant Analysis
-Linear regression (simple / multiple)
-Clustering: criteria / algorithms, centroid-based clustering (k-means, fuzzy k-means, Expectation Maximization)
-Support Vector machines
- Multiple classifiers
-Decision trees / Random forests
- Neural networks
-Deep learning
-Transfer learning
- Exercises using software-applications to data, signals and images measured by particle physics, space physics, biomedical, environmental, and cultural heritage devices for classification / localization / detection / segmentation / image quality improvement tasks.
Prerequisites
Good knowledge of Matlab or Python programming languages
Mandatory attendance
Teaching form
Lectures and exercises using programming codes.
In the period of the Covid-19 emergency, lessons will take place in asynchronous video-recorded lessons.
Textbook and teaching resource
Videos, data, programming codes and scientific articles provided to students during the course (lectures and laboratory activities).
Semester
Second semester
Assessment method
The exam consists of an oral interview aimed at verifying the student's level of knowledge of the topics covered during the course and in a project for the development of a programming code based on the machine learning methods presented during the course. A study reported by the student above those available from the scientific literature will be part of the final assessment
During the Covid-19 emergency period, oral exams will only be telematic. They will be carried out using the WebEx platform and on the e-learning page of the course a public link will be shown for access to the exam of possible virtual spectators.
Office hours
Normally Tuesday from 11.30 to 12.30, at the request of students.
Key information
Staff
-
Isabella Castiglioni