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, 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, 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 in quanto l'insegnamento si avvale di didattica interattiva con svolgimento di esercizi di programmazione in lavori di gruppo su pc portatili
Modalità didattica
Lezioni frontali ed esercitazioni mediante codici di programmazione.
Il docente fa molte lezioni in cui inizia con una prima parte in cui vengono esposti dei concetti
(modalità erogativa) e poi si apre un’interazione con gli studenti che definisce la parte successiva
della lezione (modalità interattiva).
- 12 lezioni frontali da 3 ore svolte in modalità erogativa in presenza in modalità erogativa nella parte iniziale che è volta a coinvolgere gli
studenti in modo interattivo nella parte successiva; - 6 esercitazioni da 3 ore svolte in presenza volta a coinvolgere gli studenti in modo interattivo nel PROJECT WORKS;
Tutte le attività sono svolte in presenza.
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 2 PROJECT WORKS, progetti di sviluppo di 2 codici di programmazione basati sui metodi di machine learning e deep learning su presentati durante il corso.
Orario di ricevimento
Di norma 1h subito al termine delle lezioni, a rchiesta degli studenti.
Sustainable Development Goals
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, and in other applications.
Contents
Machine learning methods: principles and software applications to data, signals and images of particle physics, space, biomedical, environmental, 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 as the teacher uses interactive teaching with programming exercises in group work on laptop PCs
Teaching form
Lectures and exercises using programming codes.
The teacher gives many lessons in which he begins with a first part in which concepts are exposed
(delivery method) and then an interaction opens with the students which defines the next part
of the lesson (interactive mode).
- 12 frontal lessons of 3 hours carried out in the delivery mode in presence in the delivery mode in the initial part which is aimed at involving the students
students interactively in the next part; - 6 3-hour exercises carried out in person aimed at involving students interactively in the PROJECT WORKS;
All activities are carried out in person
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 2 PROJECT WORKS development projects of 2 programming codes based on the machine learning and deep learning methods presented during the course.
Office hours
Normally 1 hour immediately at the end of the lessons, at the request of the students.
Sustainable Development Goals
Staff
-
Isabella Castiglioni
