Università degli Studi di Napoli "Parthenope"

Scheda dell'insegnamento

Anno accademico: 
2018/2019
Tipologia di insegnamento: 
Caratterizzante
Tipo di attività: 
Obbligatorio
Corso di afferenza: 
Corso di Corso di Laurea Magistrale in INFORMATICA APPLICATA (MACHINE LEARNING E BIG DATA)
Sede: 
Napoli
Settore disciplinare: 
INFORMATICA (INF/01)
Lingua: 
Italiano
Crediti: 
6
Anno di corso: 
2
Docenti: 
Ciclo: 
Primo Semestre
Ore di attivita' frontale: 
48

Obiettivi

Lo scopo del corso è fornire i fondamenti teorici e pratici per l’elaborazione di dati multimodali, quali l’audio e il video mediante metodi di Machine Learning.

Conoscenza e capacità di comprensione
Lo studente deve dimostrare di conoscere e saper utilizzare i fondamenti dei più moderni linguaggi di programmazione, quali ad esempio quelli Orientati agli Oggetti (OO). Lo studente dovrà avere sufficiente familiarità con le tecniche di algebra lineare, analisi matematica, probabilità e statistica, impartite nel corso di laurea triennale, in modo da poter comprendere i fondamenti teorici delle tecniche di machine learning presentate nel corso. Infine, lo studente dovrà avere una buona dimestichezza con la lingua inglese scritta in modo tale da poter avvalersi delle risorse bibliografiche, sotto forma di testi e di articoli scientifici, per la quasi totalità in lingua inglese.

Capacità applicative
Lo studente deve dimostrare di saper utilizzare la propria conoscenza acquisita per la risoluzione di un problema di classificazione o di previsione di dati multimodali utilizzando tecniche di Machine learning. Deve inoltre dimostrare capacità di sviluppo e di analisi di complessità di algoritmi. Lo studente dovrà dimostrare un uso consapevole di librerie software, attualmente disponibili, per l’implementazione dei principali metodi di machine learning presentati nel corso.

Autonomia di giudizio
Lo studente deve essere in grado di sapere valutare in maniera autonoma l’efficacia e l’efficienza di un’applicazione di machine learning ad un caso reale. Dovrà aver, inoltre, maturato una sufficiente indipendenza e senso critico in modo da poter utilizzare le risorse bibliografiche. Tale capacità è cruciale per la maturazione di attitudini sia di self-learning, durante il corso degli studi, che di Lifelong learning, che lo studente magistrale dovrà essere in grado di svolgere, dopo aver completato gli studi magistrali.

Abilità nella comunicazione
Lo studente deve essere in grado di redigere una relazione e di organizzare una presentazione, entrambe preferibilmente in lingua inglese, su un'applicazione di machine learning multimodale.

Capacità di apprendere
Lo studente dovrà aver maturato, alla fine del corso, la capacità di Self-Learning, ossia di essere in grado, ai fini dell’ autoapprendimento, di utilizzare, in modo indipendente, le risorse bibliografiche che motori di ricerca e repository open source, quali Scholar Google e Researchgate, mettono a disposizione.

Prerequisiti

Nozioni di base di Programmazione Orientata agli Oggetti, di Algebra Lineare, Analisi Matematica, Probabilità e Statistica e di Calcolo Scientifico.

Contenuti

Il corso intende fornire i fondamenti teorici e pratici per l’elaborazione di dati multimodali tramite tecniche di Machine Learning.

Metodi didattici

La didattica è svolta mediante lezioni frontali, e da parte degli stessi studenti su alcune tematiche di loro particolare interesse. Sulla piattaforma di riferimento del corso c'è la possibilità di usufruire di video-lezioni.

Verifica dell'apprendimento

Lo studente deve avere dimostrato la capacità di comprensione di tecniche di machine learning per l'analisi di dati multimediali. Per il superamento dell’esame lo studente dovrà sviluppare un progetto ed effettuare un colloquio orale. Il progetto, concordato con il docente, riguarderà applicazione di tecniche di machine learning ad uno specifico dominio multimodale. Lo sviluppo del progetto sarà corredato dalla redazione di una relazione, preferibilmente in lingua inglese. Nell' esame orale lo studente presenterà e discuterà il progetto effettuato (50% della valutazione) e dovrà mostrare di aver appreso i metodi di machine learning trattate durante il corso (50% della valutazione).

Testi

• T. Hastie, R. Tibshirani, J. Friedman, “The Elements of Statistical Learning: Data Mining, Inference, and Prediction”, 2nd Edition, 2008, Springer, ISBN: 978-0387848570
• M. Gori, “Machine Learning: A Constraint-Based Approach”, 2017, Morgan Kauffman, ISBN: 978-0081006597
• F. Camastra, A. Vinciarelli, “Machine Learning for Audio, Image and Video Analysis: Theory and Applications”, 2nd Edition, 2016, Springer Verlag, ISBN: 978-1447168409
• J. Shawe-Taylor, N. Cristianini, “Kernel Methods for Pattern Analysis”, 2004, Cambridge University Press, ISBN: 978-0521813976

Altre informazioni