Calendario
provvisorio del corso
(Nota: i
riferimenti al libro di testo sono relativi sia alla 3a ed. in inglese
(3EN) che alla 2a ed. in italiano (2IT)) |
|
Sett. |
Data |
Argomenti
della lezione |
Riferimenti sul
libro di testo |
Esercitazioni |
|
1 |
venerd́ 29/4 |
Presentazione del corso: organizzazione, materiale
didattico. Descrizione di un sistema generico di Pattern Recognition.
(lez 0,
lez1) |
|
|
|
2 |
luned́ 2/5 |
Sistema di riconoscimento basato su tecniche di PR.
Definizione di features, spazio delle features, regioni di
classificazione. Sistemi di classificazione basati sull'apprendimento.
Il problema della generalizzazione.
(lez1) |
|
|
|
marted́ 3/5 |
Teoria bayesiana della decisione. PDF condizionate
alle classi. Teorema di Bayes e calcolo della probabilità a
posteriori. Criterio di decisione MAP per problemi a due classi e
multiclasse. Dimostrazione dell'ottimalità del criterio MAP.
(lez2) |
|
|
|
venerd́ 6/5 |
Classificazione cost-sensitive. Definizione di
rischio condizionale. Criterio di decisione per problemi a due classi
e multiclasse. Criterio MiniMax a due classi.
(lez2)
|
|
|
|
3 |
luned́ 9/5 |
Esercitazione: problema di classificazione a
due classi con pdf gaussiane. Calcolo delle probabilità a posteriori e
del LR. Calcolo del costo bayesiano
|
|
|
|
marted́ 10/5 |
Criterio di Neyman-Pearson a due classi. Opzione di
rigetto in problemi multiclasse con costi uniformi.
(lez2) |
|
|
|
venerd́ 13/5 |
Opzione di rigetto in problemi a due classi con
costi non uniformi. Funzioni discriminanti.
(lez2) |
|
|
|
4 |
luned́ 16/5 |
Esercitazione: Realizzazione di
funzion discriminanti |
|
|
|
marted́ 17/5 |
Problemi con densità gaussiane: matrici di
covarianza uguali e diagonali, matrici di covarianza uguali non
diagonali, matrici di covarianza diverse. Classificatori lineari e
quadratici.
(lez2) |
|
|
|
venerd́ 20/5 |
Curva ROC: definizione e proprietà. Applicazione
del criterio di Bayes, del criterio di Neyman-Pearson, del criterio
minimax.
(lez2) |
|
|
|
5 |
luned́
23/5 |
Esercitazione: Realizzazione di
classificatori lineari e quadratici. |
|
|
|
marted́ 24/5 |
La curva ROC per valutare i classificatori. Area
sotto la curva (AUC); equivalenza con la statistica WMW. Stima delle
densità: approccio parametrico e non parametrico. Approccio
parametrico: stima Maximum Likelihood.
(lez2,
lez3) |
|
|
|
venerd́ 27/5 |
Approccio parametrico: stima bayesiana. Approccio
non parametrico: finestra di Parzen.
(lez3) |
|
|
|
6 |
luned́ 30/5 |
Esercitazione: Classificatori lineari e
quadratici. Curva ROC. |
|
|
|
marted́ 31/5 |
Tecniche non parametriche: approccio Nearest
Neighbor. Funzioni discriminanti lineari. Generalità. Problemi a due
classi. Problemi multiclasse: limitazioni. Problemi a due classi
linearmente separabili.
(lez3,
lez4) |
|
|
|
venerd́ 3/6 |
No lezione |
|
|
|
7 |
luned́ 6/6 |
Esercitazione: Realizzazione di
classificatori basati sulla finestra di Parzen. Classificatori K-NN. |
|
|
|
marted́ 7/6 |
Algoritmi per la costruzione di funzioni
discriminanti lineari: algoritmo del Perceptron, algoritmo MSE,
algoritmo di Widrow-Hoff.
Reti Neurali: introduzione. Il Multi Layer Perceptron (MLP).
(lez4,
lez5) |
|
|
|
venerd́ 10/6 |
Reti Neurali:Algoritmo di back propagation. Reti
Radial Basis Functions (RBF).
(lez5) |
|
|
|
8 |
luned́ 13/6 |
Esercitazione: Classificatori MLP. |
|
|
|
marted́ 14/6 |
Apprendimento Statistico. Errore strutturale.
Support Vector Machines per problemi linearmente separabili.
(lez6) |
|
|
|
venerd́ 17/6 |
Support Vector Machines per problemi non
linearmente separabili: soft margin. Kernel.
(lez6) |
|
|
|
9 |
luned́ 20/6 |
Esercitazione: |
|
|
|
marted́ 21/6 |
Sistemi di classificazione cooperanti
() |
|
|
|
venerd́ 24/6 |
Sistemi di classificazione cooperanti
() |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| |
|
|
|
|
| |
|
|
|
|
