L'insegnamento fornisce le basi per lo sviluppo di sistemi avanzati di analisi e interpretazione 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 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 del machine learning utilizzati in ambito biomedico. - una breve introduzione al deep learning 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. Durante i laboratori si richiederà agli studenti non solo di mettere in pratica i concetti visti a lezione, ma di acquisire 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. Introduction 02. Application development: Problem conceptualization, Construction process, Validation process 03. Optimization (GA, ACO) 04. Classification (NN, FL, KNN) 05. Deep learning 06. Clustering (k-means, hierarchical clustering - dendrograms, SOM) 07. Statistical classification (Hypothesis testing, Naive Bayes Classifier) 08. Applications: Indicators, 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 47 ore di lezioni frontali e 33 ore di esercitazioni di laboratorio

Slide e materiale distribuito dal docente

Modalità di esame: Prova scritta su carta con videosorveglianza dei docenti; Prova scritta tramite PC con l'utilizzo della piattaforma di ateneo; Elaborato progettuale in gruppo;

L’esame è costituito da (a) una prova scritta di teoria svolta singolarmente in cui lo studente non può consultare nessun tipo di materiale, la prova è svolta con l'uso della piattaforma Exam (b) una prova di laboratorio anch'essa svolta singolarmente con la possibilità di consultare appunti ed utilizzare il materiale prodotto durante i laboratori, la prova è svolta con l'uso della Virtual classroom (c) la valutazione del lavoro svolto durante i laboratori da parte del gruppo. Il voto finale è ottenuto come somma di: - Scritto di teoria - fino a gennaio/febbraio 2021: 6 domande [18pt (3 punti a domanda)] (durata 60 min, superata se si ottiene almeno 1 pt a domanda) – Valuta Conoscenza e Comprensione da giugno 2021: 15 domande a risposta multipla [15pt - 1 pt per ogni risposta esatta, -0.25 pt per ogni risposta errata, 0 pt per le risposte non date] (durata 20 min, superata se si ottengono almeno 7 pt) – Valuta Conoscenza e Comprensione - Prova di laboratorio - fino a gennaio/febbraio 2021: [9pt] (durata 90 minuti, superata se si ottengono almeno 6pt) - Valuta la Capacità di Applicare Conoscenza e Comprensione da giugno 2021: [12pt] (durata 90 minuti, superata se si ottengono almeno 6pt) - Valuta la Capacità di Applicare Conoscenza e Comprensione Relazioni Laboratori [6pt] – Valuta l’Autonomia di giudizio, le Abilità comunicative e la Capacità di lavorare in un team

Modalità di esame: Prova scritta su carta con videosorveglianza dei docenti; Prova scritta tramite PC con l'utilizzo della piattaforma di ateneo; Elaborato progettuale in gruppo;

L’esame è costituito da (a) una prova scritta di teoria svolta singolarmente in cui lo studente non può consultare nessun tipo di materiale, la prova è svolta con l'uso della piattaforma Exam sia da remoto che in presenza (b) una prova di laboratorio anch'essa svolta singolarmente con la possibilità di consultare appunti ed utilizzare il materiale prodotto durante i laboratori, la prova è svolta con l'uso della Virtual classroom da remoto, in laboratorio in presenza (c) la valutazione del lavoro svolto durante i laboratori da parte del gruppo. Il voto finale è ottenuto come somma di: - Scritto di teoria - fino a gennaio/febbraio 2021: 6 domande [18pt (3 punti a domanda)] (durata 60 min, superata se si ottiene almeno 1 pt a domanda) – Valuta Conoscenza e Comprensione da giugno 2021: 15 domande a risposta multipla [15pt - 1 pt per ogni risposta esatta, -0.25 pt per ogni risposta errata, 0 pt per le risposte non date] (durata 20 min, superata se si ottengono almeno 7 pt) – Valuta Conoscenza e Comprensione - Prova di laboratorio - fino a gennaio/febbraio 2021: [9pt] (durata 90 minuti, superata se si ottengono almeno 6pt) - Valuta la Capacità di Applicare Conoscenza e Comprensione da giugno 2021: [12pt] (durata 90 minuti, superata se si ottengono almeno 6pt) - Valuta la Capacità di Applicare Conoscenza e Comprensione Relazioni Laboratori [6pt] – Valuta l’Autonomia di giudizio, le Abilità comunicative e la Capacità di lavorare in un team