Teoria e tecniche del riconoscimento (2006/2007)

Corso a esaurimento

Codice insegnamento
4S00072
Docente
Vittorio Murino
crediti
5
Settore disciplinare
INF/01 - INFORMATICA
Lingua di erogazione
Italiano
Periodo
3° Q dal 2-apr-2007 al 8-giu-2007.
Pagina Web
http://profs.sci.univr.it/~swan/Teaching/2006-07/TTR/TTR.html

Orario lezioni

3° Q
Giorno Ora Tipo Luogo Note
martedì 8.30 - 11.30 lezione Aula B  
mercoledì 14.30 - 17.30 lezione Aula B  

Obiettivi formativi

Il corso intende fornire i fondamenti teorici e le metodologie principali relative all’analisi e riconoscimento automatico di dati di qualsiasi tipo, detti tipicamente pattern. Questa disciplina è alla base o completa molte altre discipline di più larga diffusione come l’elaborazione delle immagini, la visione, l’intelligenza artificiale, l’analisi di grosse quantità di dati, le basi di dati, e numerose altre.
• Nel corso verrà data enfasi alle tecniche probabilistiche con particolar riferimento all’addestramento di sistemi volti al riconoscimento (anche di immagini, ma non solo) e alle reti neurali.
• Le applicazioni che questa disciplina coinvolge sono molteplici. Tra queste ci sono le applicazioni legati all’elaborazione delle immagini e visione, data mining, la bioinformatica, analisi ed interpretazione di dati medicali e biologici (e.g., genomica, proteomica, sierologia, etc.), la biometria, l'imaging biomedicale, la videosorveglianza, la robotica, il riconoscimento della voce e numerose altre.

Programma

Introduzione: cos’è, a cosa serve, sistemi, applicazioni
•Riconoscimento e classificazione
•Estrazione e rappresentazione di caratteristiche (feature)
•Teoria della decisione di Bayes
•Stima dei parametri e metodi non parametrici
•Classificatori lineari, non lineari e funzioni discriminanti
•Cenni di Pattern Recognition di tipo sintattico
•Selezione di feature
•Reti neurali
•Metodi di classificazione non supervisionata (clustering)
•Metodi avanzati: Hidden Markov Models.

Il corso viene svolto in 32 ore di lezioni frontali e 12 ore di laboratorio. L'attività di laboratorio prevede la pratica e risoluzione di esercizi mediante l'uso di MATLAB volti all'apprendimento pratico e alla miglior comprensione della teoria svolta a lezione.

Testi di riferimento
Autore Titolo Casa editrice Anno ISBN Note
C.M. Bishop Neural Networks for Pattern Recognition Oxford University Press 1995
R. Duda, P. Hart, D. Stork Pattern Classification Wiley 2001 Testo principale
S. Theodoridis, K. Koutroumbas Pattern Recognition Academic Press 1998 Testo secondario, con una estesa sezione sul clustering
C.M. Bishop Pattern Recognition and Machine Learning Springer 2006 Testo nuovo e interessante, da valutare

Modalità d'esame

La verifica del profitto avverrà mediante un'attività di progetto e una breve prova orale.
Il progetto riguarderà gli argomenti trattati a lezione con riferimento all'elaborazione delle immagini e visione, ma anche altre applicazioni potranno essere considerate.
La prova orale verterà sui temi sviluppati a lezione e potrà essere sostituita da una prova scritta con brevi domande simili alla prova orale.
Il superamento della prova porta all'acquisizione di 5 crediti, ovvero di 1 unità didattica.

Statistiche per i requisiti di trasparenza (Attuazione Art. 2 del D.M. 31/10/2007, n. 544)

Statistiche esiti
Esiti Esami Esiti Percentuali Media voti Deviazione Standard
Positivi 20.0% 30 0
Respinti --
Assenti 60.00%
Ritirati --
Annullati 20.0%
Distribuzione degli esiti positivi
18 19 20 21 22 23 24 25 26 27 28 29 30 30 e Lode
0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 100.0%

Valori relativi all'AA 2006/2007 calcolati su un totale di 5 iscritti. I valori in percentuale sono arrotondati al numero intero più vicino.