L'insegnamento fornisce le basi per lo sviluppo di sistemi avanzati di analisi di dati biomedici. Tali sistemi sono utilizzati in tutte le aree della bioingegneria al fine di costruire sistemi di supporto alla diagnosi, sistemi di interpretazione dei dati di uno studio clinico, indicatori clinici, ...
In particolare verranno approfondite le conoscenze relative alle caratteristiche e alla struttura generale di un classificatore e ai principali metodi utilizzati per lo sviluppo di sistemi basati sulla classificazione e/o algoritmi di apprendimento.
I laboratori consentono allo studente di acquisire le competenze necessarie per saper riconoscere le caratteristiche di un problema, scegliere un metodo adatto per la sua soluzione e costruire e validare un classificatore in grado di risolvere il problema posto.
Al termine dell'insegnamento lo studente sarà in grado di risolvere attraverso il metodo più opportuno problemi di media difficoltà.

Le conoscenze che l'insegnamento si propone di trasmettere riguardano:
gli aspetti che caratterizzano un qualsiasi classificatore (feature extraction, feature selection, misure di similarità, regola di decisione),
i passi di sviluppo di una applicazione (concettualizzazione, costruzione, validazione),
i principali metodi appartenenti al settore della computational intelligence
Agli studenti verrà poi insegnato come analizzare i risultati in funzione del contesto.
Al fine di insegnare agli studenti come affrontare un problema reale verranno proposti cinque differenti problemi da sviluppare in laboratorio con metodi diversi e con livelli di difficoltà via via crescenti.
Il primo laboratorio richiederà agli studenti di mettere in pratica i concetti visti a lezione, a partire dal secondo laboratorio si chiederà via via maggiore progettualità fino ad arrivare alla concettualizzazione di un problema.

Concetti base di logica e di calcolo matriciale.
Conoscenza delle caratteristiche dei principali dispositivi medici per la diagnosi e la terapia.

01. Introduzione
02. Strumenti per lo sviluppo di un sistema: i processi di concettualizzazione, costruzione e validazione; feature extraction; feature selection
03. Ottimizzazione (ricerca locale, GA, ACO)
04. Classificazione (NN, FL)
05. Clustering (k-means, dendrogrammi, SOM)
06. Statistical learning (KNN, SVM)
04. Applicazioni: Indicatori, CAD systems, KDD and Data mining,...

Laboratorio 1: Statistica descrittiva
Laboratorio 2: Algoritmi genetici
Laboratorio 3: Logica fuzzy
Laboratorio 4: Clustering e reti neurali
Laboratorio 5: Concettualizzazione di un problema

L’insegnamento è suddiviso in 44 ore di lezioni frontali e 36 ore di esercitazioni di laboratorio

Slide e materiale distribuito dal docente

L’esame è costituito da una prova scritta di teoria svolta singolarmente, una prova di laboratorio che può essere svolta a coppie e la presentazione del lavoro svolto durante i laboratori da parte del gruppo.
Il voto finale è ottenuto come somma di:
Scritto di teoria (3 domande [teoria, ragionamento, esercizio]) [18pt (9+6+3)] (durata 45 min, superata se si ottengono rispettivamente almeno (4+3+2) pt) – Valuta Conoscenza e Comprensione
Prova di laboratorio [9pt] (durata 2 ore, superata se si ottengono almeno 6pt) - Valuta la Capacità di Applicare Conoscenza e Comprensione
Laboratori [6pt] [presentazione 2 pt – relazioni laboratori 4pt] – Valuta l’Autonomia di giudizio, le Abilità comunicative e la Capacità di lavorare in un team