Project Description
Obiettivi
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.
Programma
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”.
Programma corso 6 CFU:
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; Teoria e tecniche di classificazione (Pattern Recognition) e loro applicazioni; Modelli di classificazione lineari supervisionati e non superivisonati (Fisher discriminant analysis, KNN, Mahalanobis classifier, PLS-DA,…); Tecniche di validazione dei modelli (Leave one out cross validation, Venetian blind, …); Tecniche di feature selection; 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.