Machine learning

Manuele Bicego
Professore associato
Umberto Castellani
Professore associato
Alberto Castellini
Ricercatore a tempo determinato
Ferdinando Cicalese
Professore associato
Alessandro Daducci
Professore associato
Gloria Menegaz
Professore ordinario
Vittorio Murino
Professore ordinario
Silvia Francesca Storti
Ricercatore a tempo determinato
Competenze
Argomento Persone Descrizione
Behavior analysis Vittorio Murino
The goal is to study human inner and outer behavior in order to find possible brain correlates with the (outer) expressive behavior. In the context of behavioral diseases (e.g., autism, schizophrenia, Alzhaimer, Mild Cognitive Impairment, etc.), the main idea is to exploit computer vision and pattern recognition techniques to analyse nonverbal human behavior (face, posture, gesture, etc.) as well as neuroimaging data so to identify possible correlations or characteristic biomarkers. This research not only would support early diagnosis of the pathology but also the monitoring of the effects of the pharmacological treatment.
Biomedical data processing Alessandro Daducci
Gloria Menegaz
Feature extraction and integration from multi-modal data using multi-scale sparse representations for the definition of numerical biomarkers. Pattern recognition and machine learning for medical imaging and behavioral analysis.
Neuroimaging Data Analysis Alessandro Daducci
Vittorio Murino
Silvia Francesca Storti
This domain regards the analysis of data coming from sensing devices measuring the brain strucural and functional information. The main utilised device is Magnetic Resonance Imaging (MRI) in its various modalities such as diffusion, structural, and functional MRI, as well as other sensors like EEG, fNIRS, MEG. The main goal is to better understanding brain functions by means of an integrated functional and structural analysis of the brain connectivity or of specific brain regions. This investigation is mainly performed with reference to neurological disorders - like autism and schizophrenia - and in comparison with control (healthy) subjects.
Ottimizzazione di Alberi di Decisione Ferdinando Cicalese
Uno dei problemi più studiati in informatica relativamente all'analisi dei dati è il problema della classificazione, ovvero inferire una relazione predittiva tra valori di input e valori di output di un determinato fenomeno. Un problema di classificazione può essere studiato in termini di ottimizzazione di una funzione, ovvero come il problema di costruire un modello che massimizzi l'accuratezza della previsione - il numero di previsioni corrette - in un determinato data set. In particolare, il processo predittivo può essere modellato come un albero di decisione, e quindi il problema di costruire un classificatore efficiente diventa quello di ottimizzare un albero di decisione. Gli alberi di decisione sono strutture ampiamente usate in data mining e machine learning in quanto l'algoritmo che essi rappresentano è facilmente traducibile in linguaggio naturale mediante espressioni condizioinali di tipo SE-ALLORA.
Teorie e Tecniche del Riconoscimento Manuele Bicego
Umberto Castellani
Alberto Castellini
Vittorio Murino
Il fuoco principale è sullo studio di tecniche automatiche per l'estrazione di informazioni da dati reali, tipicamente in termini di classi o categorie. CI si focalizza su modelli probabilistici, come HMM, Misture, Topic Models e kernel machines (SVM). In questi contesti ci si focalizza sul disegno di tecniche ibride generative discriminative, di nuove tecniche di classificazione e clustering, problemi di model selection e altro. Il fuoco è sulla rappresentazione e sull'utilizzo di tecniche non convenzionali di clustering e classificazione. Un altro settore di interesse è l'analisi di dati sequenziali, ad esempio con modelli di Markov a stati nascosti

Attività

Strutture