bicego
univrit
Ricevimento: su appuntamento via email
Office hours: by appointment requested via email
Curriculum
(pdf, it, 186 KB, 18/02/25)
Curriculum (English)
(pdf, en, 182 KB, 30/01/25)
La ricerca di Manuele Bicego si focalizza principalmente sulla Statistical Pattern Recognition, una disciplina che mira a studiare e sviluppare tecniche, algoritmi e modelli per l’analisi di dati reali, tipicamente caratterizzati in termini di classi o gruppi (categorie). In questo contesto Manuele Bicego ha prodotto contributi sia metodologici che applicativi, legati a diversi contesti, quali l’analisi di immagini e segnali, la biometria e, in maniera preponderante, la bioinformatica (analisi di dati di espressione genica, proteomica, metabolomica).
L’intensa attività scientifica in questi contesti è confermata dalle numerose pubblicazioni in importanti riviste e conferenze internazionali, dai premi e riconoscimenti ricevuti, dalla continua attività editoriale e di revisione, dalla partecipazione a vari progetti di ricerca finanziati, e dalle numerose collaborazioni instaurate con diversi centri di ricerca, corroborate da periodi anche lunghi di soggiorni e scambi.
Per maggiori informazioni si veda la pagina http://profs.scienze.univr.it/~bicego
Insegnamenti attivi nel periodo selezionato: 48.
Clicca sull'insegnamento per vedere orari e dettagli del corso.
Di seguito sono elencati gli eventi e gli insegnamenti di Terza Missione collegati al docente:
| Argomento | Descrizione | Area di ricerca |
|---|---|---|
| Active learning | Nell'apprendimento attivo, il modello interroga iterativamente un oracolo (tipicamente un annotatore umano) per etichettare solo i punti dati più informativi che contribuiscono maggiormente a migliorare l'accuratezza del modello. In questo modo, l'apprendimento attivo riduce il costo dell'etichettatura e accelera il processo di apprendimento del modello. Questo approccio è particolarmente utile quando i dati etichettati sono scarsi o costosi da ottenere. La ricerca si concentra sullo sviluppo di criteri di selezione efficaci per identificare i punti dati più informativi da etichettare, migliorando così l'efficienza del processo di apprendimento attivo. |
Intelligenza Artificiale
Machine learning |
| Apprendimento non supervisionato | È un approccio in cui i modelli vengono addestrati su dati non etichettati, con l'obiettivo di identificare schemi o strutture nascoste all'interno dei dati senza etichette predefinite. Viene comunemente utilizzato per compiti come il clustering, la riduzione della dimensionalità dei dati e il rilevamento delle anomalie. La ricerca aperta nell'apprendimento non supervisionato si concentra sul miglioramento della capacità di scoprire strutture significative in insiemi di dati complessi e ad alta dimensione, spesso con conoscenze preliminari limitate. Le sfide principali includono lo sviluppo di algoritmi di clustering più efficaci, il miglioramento dell'interpretabilità dei modelli che scoprono strutture latenti e la gestione di alti livelli di rumore o scarsità nei dati. Inoltre, sono in corso lavori per colmare il divario tra l'apprendimento non supervisionato e altri paradigmi, come l'apprendimento semi-supervisionato, auto-supervisionato e per contrasto, e per migliorare la robustezza dei modelli non supervisionati nelle applicazioni reali. |
Intelligenza Artificiale
Machine learning |
| Apprendimento supervisionato | È un approccio in cui i modelli vengono addestrati su dati etichettati per apprendere una mappatura dagli input agli output, consentendo loro di prevedere etichette corrette per nuovi dati non visti. Sebbene sia ampiamente utilizzato per compiti come classificazione, regressione e predizione di serie temporali, la ricerca attuale in questo campo affronta diverse sfide. Tra le questioni principali, si annoverano come rendere i modelli più robusti al rumore e alle incongruenze delle etichette, migliorare l’efficienza dei campioni per ridurre la necessità di grandi set di dati etichettati e abilitare un "trasferimento" di conoscenza (transfer learning) efficace tra compiti e domini diversi con dati etichettati limitati. Inoltre, affrontare problematiche di equità e bias nei modelli supervisionati, così come migliorare la scalabilità per gestire grandi set di dati senza compromettere le prestazioni, oltre che approcci basati su attenzione/transformer restano aree di ricerca attive. |
Intelligenza Artificiale
Machine learning |
| Bioinformatica e Biologia Computazionale | Implementazione e valutazione di tecniche di Pattern Recognition e Machine Learning per l'analisi di dati biologici. In particolare l'attenzione è rivolta alla definizione di soluzioni per “dati di conteggio” (dati che misurano il livello di presenza di entità, come dati di espressione o di proteomica) con tecniche probabilistiche. Il fuoco principale è sull'interpretabilità, oggigiorno necessaria nello sviluppo di soluzioni di bioinformatica. |
Bioinformatica e informatica medica
Life and medical sciences |
| Carica | Organo collegiale |
|---|---|
| componente | Collegio dei Docenti del Dottorato in Informatica - Dipartimento Informatica |
| componente | Collegio Didattico di Informatica - Dipartimento Informatica |
| componente | Commissione Paritetica Docenti-Studenti del Dipartimento di Informatica - Consiglio del Dipartimento di Informatica - Dipartimento Informatica |
| componente | Consiglio del Dipartimento di Informatica - Dipartimento Informatica |
© 2025 | Università degli studi di Verona
******** CSS e script comuni siti DOL - frase 9957 ********
