Project Description
Learning objectives
L’obiettivo del corso è fornire una conoscenza approfondita delle principali tecniche di pattern recognition e di analisi dati multivariata per il trattamento statistico e l’analisi di dati di natura eterogenea. In particolare verranno presentati e approfonditi i principali algoritmi di classificazione di dati, di sequenze temporali di informazioni e di pattern complessi.
Course content
Il corso prevede anche una serie di esercitazioni pratiche in cui gli studenti possono applicare gli algoritmi visti a lezione con dei dataset forniti dal docente. In dettaglio gli argomenti trattati dal corso: Cosa è la pattern recognition e l’analisi dati multivariata; I dati sperimentali e le caratteristiche degli strumenti di misura; Fondamenti dell’ analisi statistica dei dati; Vettori, spazi vettoriali e matrici; Matrici e statistica delle matrici (matrice di Covarianza, autovettori, autovalori); Analisi esplorativa: Estrazione delle features; Preprocessamento dei dati; Identificazione di outliers; Analisi delle componenti principali (PCA)e Partial Least Square (PLS); Analisi descrittiva multivariata. Tecniche ed algoritmi per la “Feature Selection”; Teoria e tecniche di classificazione (Pattern Recognition) e loro applicazioni: Modelli di classificazione lineari non superivisonati (cluster analysis, k-means, ….); Modelli di classificazione lineari superivisonati (Fisher discriminant analysis, KNN, Mahalanobis classifier, PLS-DA,…); Tecniche di validazione dei modelli (Leave one out cross validation, Venetian blind, …); Reti neurali per la classificazione e Support Vector Machine. Algoritmi genetici e bioinspirati (Ant Colony Optimization, Ant miner, Algoritmi genetici, Artificial Immune System,…) e loro applicazioni. Cenni di “Design of Experiment”.
6 CFU-program:
What is pattern recognition and multivariate data analysis; experimental data and the characteristics of measuring instruments; Fundamentals of statistical analysis of data; Vectors, vector spaces and matrices; Matrices and statistical matrices (covariance matrix, eigenvectors, eigenvalues); Exploratory Analysis: Features extraction, Data preprocessing, Identification of outliers; Principal component analysis (PCA) and Partial Least Square (PLS); Multivariate descriptive analysis; Theory and classification techniques (Pattern Recognition) and their applications; Models of supervised and non-supervised linear classification (Fisher discriminant analysis, KNN, Mahalanobis classifier, PLS-DA, …); Model validation techniques (Leave one out cross validation, Venetian blind, …); Feature selection techniques; Neural networks for classification and Support Vector Machine; Genetic and bioinspirati Algorithms (Ant Colony Optimization, Ant miner, Genetic algorithms, Artificial Immune System, …) and their applications.