Introduzione al pattern recognition. Problemi di classificazione e clustering. Capacità di generalizzazione. Deduzione ed induzione. Principio di induzione su spazi normati. La scelta di una metrica. Spazi non-metrici. Misure di prossimità punto-punto, punto-cluster ed intercluster. Distanza di Mahalanobis. Funzioni di rappresentazione e preprocessing dei dati. Normalizzazione. Trattamento di dati mancanti. Dati discreti nominali e ordinali. La tradizionale pipeline di progettazione in machine learning e pattern recognition. Algoritmi di clustering k-means, BSAS, RL-BSAS. Il problema della validazione; indice di sensibilità; indici relativi di validazione; indice di Davies-Bouldin; indice Silhouette; algoritmi dipendenti da un parametro di scala; indici di stabilità; algoritmi di clustering ottimizzati; problema di modellamento non supervisionato vincolato e non vincolato. Clustering gerarchico. Regole di decisione: K-NN e condensed K-NN. Sistemi di classificazione: misure di prestazione e di sensibilità. Classificatori bayesiani. Superfici di decisione e funzioni discriminanti per classificatori bayesiani con distribuzione normale. Stima parametrica a massima verosimiglianza. Tecniche di stima non parametriche. Sintesi di modelli di classificazione basata su tecniche di clustering. Alberi di decisione. Random Forest. Classificazione robusta: tecniche di voting. Ensembles of classifiers. Dati strutturati di prima e seconda specie. Misure di dissimilarità in domini strutturati. Data fusion. Domini a struttura variabile: sequenze di eventi, grafi. Principio di ottimalità di Bellman; distanza di edit. Misure di dissimilarità in spazi di grafi etichettati (Graph Matching). Tecniche di template matching. Algoritmi classici per la segmentazione di immagini. Descrittori di regione: caratteristiche geometriche e momenti. Selezione automatica delle caratteristiche. Introduzione al Granular Computing. Metric learning. Metriche locali. Rappresentazioni in spazi di dissimilarità. Istogrammi simbolici. Data Mining e Knowledge Discovery. Algoritmi paralleli e distribuiti di machine learning basati su agenti. Casi di studio ed applicazioni: riconoscimento della firma manoscritta, classificazione automatica di testi, sistemi per la classificazione di immagini, detection e tracking su flussi video, sistemi per la manutenzione predittiva, pattern recognition in bioinformatica, sistemi per la detezione di anomalie. Accelerazione hardware su FPGA e GPU.

Sergios Theodoridis, Konstantinos Koutroumbas, Pattern Recognition, Fourth Edition, Academic Press, ISBN: 978-1597492720, September 2008. Dispense e lucidi delle lezioni disponibili sul sito del docente

Introduzione al pattern recognition. Problemi di classificazione e clustering. Capacità di generalizzazione. Deduzione ed induzione. Principio di induzione su spazi normati. La scelta di una metrica. Spazi non-metrici. Misure di prossimità punto-punto, punto-cluster ed intercluster. Distanza di Mahalanobis. Funzioni di rappresentazione e preprocessing dei dati. Normalizzazione. Trattamento di dati mancanti. Dati discreti nominali e ordinali. La tradizionale pipeline di progettazione in machine learning e pattern recognition. Algoritmi di clustering k-means, BSAS, RL-BSAS. Il problema della validazione; indice di sensibilità; indici relativi di validazione; indice di Davies-Bouldin; indice Silhouette; algoritmi dipendenti da un parametro di scala; indici di stabilità; algoritmi di clustering ottimizzati; problema di modellamento non supervisionato vincolato e non vincolato. Clustering gerarchico. Regole di decisione: K-NN e condensed K-NN. Sistemi di classificazione: misure di prestazione e di sensibilità. Classificatori bayesiani. Superfici di decisione e funzioni discriminanti per classificatori bayesiani con distribuzione normale. Stima parametrica a massima verosimiglianza. Tecniche di stima non parametriche. Sintesi di modelli di classificazione basata su tecniche di clustering. Alberi di decisione. Random Forest. Classificazione robusta: tecniche di voting. Ensembles of classifiers. Dati strutturati di prima e seconda specie. Misure di dissimilarità in domini strutturati. Data fusion. Domini a struttura variabile: sequenze di eventi, grafi. Principio di ottimalità di Bellman; distanza di edit. Misure di dissimilarità in spazi di grafi etichettati (Graph Matching). Tecniche di template matching. Algoritmi classici per la segmentazione di immagini. Descrittori di regione: caratteristiche geometriche e momenti. Selezione automatica delle caratteristiche. Introduzione al Granular Computing. Metric learning. Metriche locali. Rappresentazioni in spazi di dissimilarità. Istogrammi simbolici. Data Mining e Knowledge Discovery. Algoritmi paralleli e distribuiti di machine learning basati su agenti. Casi di studio ed applicazioni: riconoscimento della firma manoscritta, classificazione automatica di testi, sistemi per la classificazione di immagini, detection e tracking su flussi video, sistemi per la manutenzione predittiva, pattern recognition in bioinformatica, sistemi per la detezione di anomalie. Accelerazione hardware su FPGA e GPU.

Sergios Theodoridis, Konstantinos Koutroumbas, Pattern Recognition, Fourth Edition, Academic Press, ISBN: 978-1597492720, September 2008. Dispense e lucidi delle lezioni disponibili sul sito del docente