cicalese
univrit
Curriculum (english version)
(pdf, en, 203 KB, 25/10/24)
Curriculum (in Italiano)
(pdf, it, 175 KB, 11/09/24)
Mi occupo di progettazione ed analisi di algoritmi, ovvero della caratterizzazione delle migliori strategie possibili per problemi risolvibili mediante strumenti informatici. La mia attività di ricerca si è principalmente concentrata su algoritmi di classificazione basati su logica fuzzy, algoritmi di ricerca fault tolerant e codifica a correzione degli errori, problemi di ottimizzazione di strategie per la valutazione di funzioni Booleane con applicazioni al machine learning, teoria dell'informazione, compressione dati, information retrieval, problemi di ottimizzazione in bioinformatica.
Insegnamenti attivi nel periodo selezionato: 38.
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 |
| Algoritmi per la Bioinformatica | Progettazione ed analisi di algoritmi per la rappresentazione, l'elaborazione e l'analisi di grosse moli di dati biologici (i cosiddetti dati -omici). Lo scopo è lo sviluppo e l'applicazione di procedure di analisi ed inferenza per la risoluzione di importanti problemi in "life sciences". Algoritmi per problemi di ricerca combinatoria (quali ad esempio, group testing), di apprendimento automatico (active learning), e data mining (con particolare attenzione a problemi per dati sequenziali e su reti), così come, approcci basati su analisi entropica dei dati e più in generale su diverse misure del contenuto informativo dei dati, possono essere usate per automatizzare in parte o del tutto il processo di estrazione di relazioni di causalità dai dati sperimentali, o nella costruzione di strumenti automatici di supporto nei processi di diagnosi e prognosi di malattie complesse. |
Bioinformatica e informatica medica
Life and medical sciences |
| 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 |
| Titolo | Data inizio |
|---|---|
| Learning Safe Behaviours for human-robot cooperation - BEHAVE | 02/12/24 |
| Securing Decentralized Finance and Remote Healthcare Systems - SHIELD | 22/10/24 |
| Novel Methodologies and Tools for Next Generation Cyber Ranges - NOMEN | 21/05/24 |
| Algoritmo di ottimizzazione dei riposi per autisti professionali | 22/02/24 |
| Carica | Organo collegiale |
|---|---|
| coordinatore del corso di dottorato | Collegio dei Docenti del Dottorato in Informatica - Dipartimento Informatica |
| componente | Collegio Didattico di Informatica - Dipartimento Informatica |
| componente | Consiglio del Dipartimento di Informatica - Dipartimento Informatica |
| componente | Consiglio della Scuola di Dottorato di Ateneo |
| coordinatore del corso di dottorato in Informatica | Giunta del Dipartimento di Informatica - Dipartimento Informatica |
| Coordinatore AQ di Dottorato | Gruppo AQ Dottorato in Informatica - Collegio dei Docenti del Dottorato in Informatica - Dipartimento Informatica |
© 2025 | Università degli studi di Verona
******** CSS e script comuni siti DOL - frase 9957 ********
