Politecnico di Torino
Politecnico di Torino
   
Login  
en
Politecnico di Torino
Anno Accademico 2017/18
01SCSIU
Machine learning for pattern recognition
Dottorato di ricerca in Ingegneria Informatica E Dei Sistemi - Torino
Docente Qualifica Settore Lez Es Lab Tut Anni incarico
Laface Pietro ORARIO RICEVIMENTO     20 0 0 0 2
SSD CFU Attivita' formative Ambiti disciplinari
*** N/A ***    
Presentazione
PERIODO: FEBBRAIO - MARZO

Questo corso offre un'ampia ma rigorosa introduzione al machine learning per il riconoscimento di forme con metodi statistici.
Si focalizza sull’apprendimento di modelli generativi e discriminativi, analizzando alcune importanti tematiche, quali l’architettura dei modelli e le tecniche di apprendimento e di classificazione.
Il corso confronterà le prestazioni di diversi modelli e tecniche di classificazione sul set di dati MNIST per il riconoscimento di cifre manoscritte, molto usato come riferimento in letteratura.
Discuterà inoltre l’applicazione dei metodi di machine learning proposti per il riconoscimento di immagini, della voce e del parlatore.
Gli studenti saranno invitati ad applicare le conoscenze acquisite per sviluppare un proprio sistema di classificazione utilizzando dati di addestramento e di valutazione etichettati forniti durante il corso. Il sistema sarà poi valutato su un ulteriore set di dati non etichettati, precedentemente non visti.

Questo corso fa parte di un percorso di approfondimento sul tema Data Science. Il percorso è composto da
- un corso introduttivo (Data Mining: Concepts and Algorithms), che introduce gli aspetti di base dell'analisi dei dati e costituisce un prerequisito culturale per i corsi successivi
- 5 corsi tematici, che approfondiscono temi specifici di Data Science, quali diverse tipologie di algoritmi o di dominio applicativo:
- Data Analytics for Science and Society
- Machine Learning for Pattern Recognition
- Mimetic Learning
- Text Mining and Analytics- Visualization and Visual Analytics


This course gives a broad yet rigorous introduction to machine learning and statistical pattern recognition.
It focuses on supervised generative and discriminative learning models, analyzing some important topics such as model architectures, training and evaluation techniques.
The course will compare different models and classification approaches on the popular MNIST digit recognition dataset.
It will also discuss about the applications of the proposed machine learning approaches to image, speech, and speaker recognition.
Students will be asked to apply the acquired knowledge to develop their own classification system using labeled training and evaluation data provided during the course. Each system will then be evaluated on another unlabeled and previously unseen data set.

This course belongs to an educational path on Data Science. The path is composed by
- an introductory course (Data Mining: Concepts and Algorithms), covering data analytics fundamentals, which is a cultural prerequisite for the other courses
- 5 thematic courses dealing in depth with specific Data Science topics, such as different algorithm types or application domains:
- Data Analytics for Science and Society
- Machine Learning for Pattern Recognition
- Mimetic Learning
- Text Mining and Analytics
- Visualization and Visual Analytics
Programma

- Introduzione alla classificazione dei modelli
- Teoria della decisione
- Tassonomia dei modelli di classificazione
- Modelli probabilistici generativi
- Modelli probabilistici discriminativi
- Funzioni decisionali
- Valutazione del modello
- Classificazione binaria
- Misure di precisione
- Curve ROC / DET
- Classificazione multiclasse
- Modelli probabilistici generativi
- Modelli Gaussiani
- Modelli a misture di Gaussiane (GMM)
- Expectation-Maximization per GMM
- Modelli temporali: Hidden Markov Models
- Inferenza con Hidden Markov Models
- EM per HMMs
- Modelli a variabili latenti: Factor Analysis
- Introduzione alla Factor Analysis
- Modelli Gaussiani lineari
- Probabilistic Principal Component Analysis
- Probabilistic Linear Discriminant Analysis
- Modelli a sotto-spazi per GMM


- Introduction to pattern classification
- Decision theory
- Classification model taxonomy
- Generative probabilistic models
- Discriminative probabilistic models
- Decision functions
- Model Evaluation
- Binary classification
- Accuracy measures
- ROC / DET curves
- Multiclass classification
- Generative probabilistic models
- Gaussian models
- Gaussian mixture models
- Expectation-Maximization for GMMs
- Time-dependent models: Hidden Markov Models
- Inference with HMMs
- EM for HMMs
- Latent variable models: Factor Analysis
- Introduction to Factor Analysis
- Linear-Gaussian models
- Probabilistic Principal Component Analysis
- Probabilistic Linear Discriminant Analysis
- Subspace models for GMMs


Calendario:

- venerdì 09/03/2018 dalle ore 15:00 alle 17:00 SALA C
- lunedì 12/03/2018 dalle ore 15:00 alle 18:00 SALA C
- mercoledì 14/03/2018 dalle ore 15:00 alle 18:00 SALA C
- venerdì 16/03/2018 dalle ore 15:00 alle 18:00 SALA C
- lunedì 19/03/2018 dalle ore 15:00 alle 18:00 SALA C
- mercoledì 21/03/2018 dalle ore 15:00 alle 18:00 SALA C
- venerdì 23/03/2018 dalle ore 15:00 alle 18:00 SALA C


Schedule:

- Friday 09/03/2018 from 15:00 to 17:00 ROOM C
- Monday 12/03/2018 from 15:00 to 18:00 ROOM C
- Wednesday 14/03/2018 from 15:00 to 18:00 ROOM C
- Friday 16/03/2018 from 15:00 to 18:00 ROOM C
- Monday 19/03/2018 from 15:00 to 6:00 pm ROOM C
- Wednesday 21/03/2018 from 15:00 to 18:00 ROOM C
- Friday 23/03/2018 from 15:00 to 18:00 ROOM C
Orario delle lezioni
Statistiche superamento esami

Programma provvisorio per l'A.A.2017/18
Indietro



© Politecnico di Torino
Corso Duca degli Abruzzi, 24 - 10129 Torino, ITALY
WCAG 2.0 (Level AA)
Contatti