Prof. Emanuele Maiorana
Ing. Francesco Santi

Artificial Intelligence for Signal Processing

PROF. EMANUELE MAIORANA / ING. FRANCESCO SANTI

Descrizione

Il corso introduce i principi e i metodi fondamentali utilizzati nell'intelligenza artificiale, inclusi i principali paradigmi di machine learning e deep learning, con un focus specifico sugli approcci volti a rivelare le informazioni rilevanti nascoste nei segnali raccolti in applicazioni del mondo reale, come quelli associati a sensori elettrici e meccanici, audio e parlato, immagini e video, o tracciati biologici e medicali, tra molti altri.


Programma

  • Introduzione al data analytics
  • Statistics: inference and statistical hypothesis testing, regression.
  • Machine Learning:
    • classification (supervised learning): decision trees, random forests, naïve Bayes, linear discriminant analysis, k-nearest neighbor, support vector machines.
    • clustering (unsupervised learning): k-means clustering, hierarchical clustering.
    • data modeling: principal component analysis, independent component analysis, outlier detection and data cleansing, hidden Markov models.
  • Deep learning & CNN
  • Processing: examples in Matlab & Python.
  • Students' presentations

Testi Adottati

  • S. Nolan and T. Heinzen, "Statistics for the Behavioral Sciences"
  • G. James, D. Witten, T. Hastie, R. Tibshirani, "An Introduction to Statistical Learning"
  • K. P. Murphy, "Machine Learning - A Probabilistic Perspective"
  • S. Theodoridis and K. Koutroumbas, "Pattern Recognition"
  • T. A. Runkler, "Data Analytics - Models and Algorithms for Intelligent Data Analysis"
  • I. Goodfellow, Y. Bengio, A. Courville, "Deep Learning"
  • Materiale didattico ulteriore fornito dal docente

Bibliografia di Riferimento

  • Choudhary, K., DeCost, B., Chen, C. et al. Recent advances and applications of deep learning methods in materials science. npj Comput Mater 8, 59 (2022).
  • Malhotra, R., Singh, P. Recent advances in deep learning models: a systematic literature review. Multimed Tools Appl (2023).

Modalità del Corso

  • Modalità erogazione: Lezioni in aula, esercitazioni, presentazioni assegnate.
  • Modalità frequenza: Frequenza non obbligatoria ma caldamente consigliata.
  • Modalità valutazione: Discussione orale, presentazione tematica assegnata dal docente.