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 ai settori della computational intelligence e del machine learning utilizzati in ambito biomedico. Agli studenti verrà poi insegnato come implementare i metodi in funzione del problema e come analizzare i risultati in funzione del contesto. Al fine di insegnare agli studenti come affrontare un problema reale verranno proposti due differenti problemi da sviluppare in laboratorio applicando i metodi visti a lezione e con livelli di difficoltà crescenti. Durante i laboratori si richiederà agli studenti non solo di mettere in pratica i concetti visti a lezione, ma si chiederà via via maggiore progettualità ed autonomia.

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, kNN) 05. Clustering (k-means, clustering gerarchico - dendrogrammi, SOM) 06. Classificazione statistica (test statistici, classificatore bayesiano) 04. Applicazioni: Indicatori, CAD systems, KDD and Data mining,… Laboratorio 1: Statistica descrittiva Laboratorio 2: Algoritmi genetici e Logica Fuzzy Laboratorio 3: Clustering e reti neurali Laboratorio 4: Classificazione statistica

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

Slide e materiale distribuito dal docente

Modalità di esame: Prova scritta (in aula); Prova pratica di laboratorio; Elaborato scritto prodotto in gruppo;

Exam: Written test; Practical lab skills test; Group essay;

... L’esame è costituito da una prova scritta di teoria svolta singolarmente in cui lo studente non può consultare nessun tipo di materiale, una prova di laboratorio che può essere svolta a coppie e la valutazione 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] – Valuta l’Autonomia di giudizio, le Abilità comunicative e la Capacità di lavorare in un team

Gli studenti e le studentesse con disabilità o con Disturbi Specifici di Apprendimento (DSA), oltre alla segnalazione tramite procedura informatizzata, sono invitati a comunicare anche direttamente al/la docente titolare dell'insegnamento, con un preavviso non inferiore ad una settimana dall'avvio della sessione d'esame, gli strumenti compensativi concordati con l'Unità Special Needs, al fine di permettere al/la docente la declinazione più idonea in riferimento alla specifica tipologia di esame.