Università degli Studi di Napoli "Parthenope"

Scheda dell'insegnamento

Anno accademico: 
2019/2020
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)
Settore disciplinare: 
INFORMATICA (INF/01)
Lingua: 
Italiano
Crediti: 
6
Anno di corso: 
1
Docenti: 
Ciclo: 
Secondo Semestre
Ore di attivita' frontale: 
48

Obiettivi

Il corso intende fornire i fondamenti teorici e pratici di base per l’elaborazione dei segnali mediante metodologie di Intelligenza Arificiale. In particolare, saranno considerate alcune tecniche di Machine Learning e Soft Computing per l’elaborazione dei segnali audio.
Conoscenza e capacità di comprensione
Lo studente deve dimostrare di conoscere e saper comprendere i fondamenti dei linguaggi di programmazione procedurali e Orientati agli Oggetti (OO). In particolare, deve conoscere le metodologie di sviluppo e di analisi degli algoritmi dei linguaggi C++ e Java. Lo studente deve avere la capacità di comprensione di nuove metodologie e tecniche di sviluppo di software basate sul linguaggio Java e/o Python per l'analisi e l'elaborazione di segnali audio mediante techniche di Intelligenza Artificiale.

Capacità applicative
Lo studente deve dimostrare di saper utilizzare la propria conoscenza acquisita per la risoluzione di un problema reale mediante il linguaggio Java o Python. Deve inoltre dimostrare capacità di sviluppo e analisi di complessità di algoritmi e validazione del software facendo uso di tecniche avanzate per l'elaborazione dei dati multimediali. Capacità devono essere dimostrare, inoltre, per l'uso e la scelta consapevole di librerie e sistemi software per i principali ambiti applicativi e in particolare per il progetto e l'analisi di applicazioni multimediali ed elaborazione dei seganli.

Autonomia di giudizio
Lo studente deve essere in grado di sapere valutare in maniera autonoma l’efficacia e l’efficienza di una applicazione software nei casi reali.

Abilità nella comunicazione
Lo studente deve essere in grado di redigere una relazione e una presentazione su un'applicazione software realizzata usando il linguaggio Java o Python su problemi reali inerenti i sistemi multimediali e di elaborazione del segnale. Siccome l'applicazione viene svolta su temi di attualità in informatica e presenta momenti di lavoro in gruppo, lo studente deve dimostrare capacità su questi aspetti.

Capacità di apprendere
Lo studente deve essere in grado di aggiornarsi e approfondire in modo autonomo argomenti e applicazioni software per l’elaborazione dei segnali, mediante il linguaggio Java o Python, anche accedendo a banche dati, repository on-line di software applicativo e altre modalità messe a disposizione dalla rete. Lo studente deve essere in grado di partecipare a forum per l’aggiornamento continuo delle conoscenze in informatica.

Prerequisiti

Nozioni di base dei linguaggio Orientati agli Oggetti

Contenuti

Il corso intende fornire i fondamenti teorici e pratici di base per l’elaborazione dei segnali tramite tecniche di Intelligenza Artificiale. Particolare attenzione sarà rivolta all’eleborazione dei segnali audio mediante techicne di Machine Learning e Soft Computing.

Metodi didattici

La didattica è svolta mediante lezioni frontali, seminari di esperti nel settore e da parte degli stessi studenti. Sulla piattaforma di riferimento del corso c'è la possibilità di usufruire di metodi alternativi di didattica, test di apprendimento e video-lezioni.

Verifica dell'apprendimento

Lo studente deve avere dimostrato la capacità di comprensione di nuove metodologie e tecniche di sviluppo di software basate sul linguaggio Java e/o Python per l'analisi e l'elaborazione di segnali. Esso deve essere in grado di redigere una relazione e una presentazione su un'applicazione software realizzata usando il linguaggio Java o Python su problemi reali. Un colloquio orale permetterà di valutare la capacità dello studente nell'affrontare problematiche relative all’elaborazione dei segnali mediante tecniche di Machine Learning e Soft Compting.

La procedura di verifica è indicata precisamente nella piattaforma di e-learning del Dipartimento di Scienze e Tecnologie. In sintesi, la procedura di verifica consiste in un progetto individuale (60% del voto) e una prova orale (40% del voto). Per l’esito positivo della valutazione sono necessari gli esiti positivi di tutte e due le verifiche (progetto, prova orale).

Testi

# e-learning material
# Alan V. Oppenheim, R. W. Schafer; J.R. Buck, Discrete-time signal processing, Upper Saddle River, N.J., Prentice Hall, 1999, ISBN 0-13-754920-2.
# Papoulis, Athanasios; Pillai, S. Unnikrishna (2002). Probability, Random Variables and Stochastic Processes (4th ed.). Boston: McGraw Hill. ISBN 0-07-366011-6.
# MacKay, David J. C., Information Theory, Inference and Learning Algorithms. Cambridge: Cambridge University Press., 2003, ISBN 9780521642989.
# Fundamentals of Multimedia, Z.-N. Li, M. S. Drew, J. Liu, Springer, 2th edition, 2014
# Computer Networking: A Top-Down Approach, J. F. Kurose, K. W. Ross, Pearson, 6 edition, 2013
# T. J. Ross, Fuzzy Logic with Engineering Applications, 4th Edition, 2016
# C. M. Bishop, Pattern Recognition and Machine Learning, 2006

Altre informazioni