INTRODUZIONE AL MACHINE LEARNING FOR SIGNAL PROCESSING (MLSP). Utilizzo delle metodologie di machine learning per problemi di elaborazione delle informazioni. Introduzione ai segnali e possibili rappresentazioni. Introduzione alle problematiche di regressione e classificazione. Tassonomia metodologica per l’MLSP. Tipici campi applicativi dell’MLSP. (Rif: [1: Cap. 1], [2: Cap. 1]) CONCETTI DI BASE PER MLSP. Richiami dei concetti fondamentali di algebra lineare, probabilità e variabili aleatorie, con riferimento al contesto MLSP. Esempi pratici utilizzando dati e scenari tipici dell’MLSP. (Rif: [1: Cap. 2], [2: Cap. 2], [3: Cap. 2]) ALGORITMI DI APPRENDIMENTO. Stima parametrica. Polarizzazione e varianza. Funzioni costo. Fondamenti di ottimizzazione di funzioni costo per il machine learning. Stima ottima ai minimi quadrati. Regressione lineare. Algoritmi basati sul gradiente. Introduzione alla classificazione. Classificazione Bayesiana. Regressione logistica. Algoritmi di machine learning per la classificazione. Regolarizzazione e apprendimento sparso. Esempi applicativi. (Rif: [1: Cap. 3, 4, 5, 10]) ALGORITMI DI APPRENDIMENTO NON LINEARI. Modellamento e stima non lineari. Algoritmi non lineari di apprendimento online. Metodi basati sui kernel. Regressione e classificazione con metodi a kernel. Apprendimento online con kernel. Esempi applicativi. (Rif: [1: Cap. 11], [2: Cap. 18]) DEEP LEARNING PER MLSP. Introduzione al deep learning, operazioni di calcolo nel deep learning. Reti neurali convoluzionali. Reti neurali ricorrenti per l’elaborazione dei segnali. Metodi long short-term memory. Metodi generativi d deep learning. Reti neurali su grafi. Esempi applicativi con segnali audio, vocali, biomedici, immagini, musica. (Rif: [1: Cap. 18], [3: Cap. 5, 6, 8, 17]) Durante l'intero corso, verranno organizzate sessioni di laboratorio in Python, compresa l'implementazione dei principali metodi di apprendimento automatico in diversi contesti applicativi di elaborazione del segnale (ad es. Audio e parlato, immagini, segnali biomedici, segnali musicali, segnali multicanale da sensori eterogenei e processi di manutenzione predittiva, tra gli altri).

Testo principale: Sergios Theodoridis, “Machine Learning: A Bayesian and Optimization Perspective”. Elsevier, 2015. Testi alternativi - Kevin P. Murphy, “Machine Learning: A Probabilistic Perspective”. The MIT Press, 2012. - Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola, “Dive Into Deep Learning”. Amazon, 2020. - Christopher M. Bishop, "Pattern Recognition and Machine Learning". Springer, 2006. Materiale integrativo a cura del docente (lucidi del corso, articoli) disponibile sul sito web http://danilocomminiello.site.uniroma1.it e sul pagina della classe virtuale del corso (Classroom).

INTRODUZIONE AL MACHINE LEARNING FOR SIGNAL PROCESSING (MLSP). Utilizzo delle metodologie di machine learning per problemi di elaborazione delle informazioni. Introduzione ai segnali e possibili rappresentazioni. Introduzione alle problematiche di regressione e classificazione. Tassonomia metodologica per l’MLSP. Tipici campi applicativi dell’MLSP. (Rif: [1: Cap. 1], [2: Cap. 1]) CONCETTI DI BASE PER MLSP. Richiami dei concetti fondamentali di algebra lineare, probabilità e variabili aleatorie, con riferimento al contesto MLSP. Esempi pratici utilizzando dati e scenari tipici dell’MLSP. (Rif: [1: Cap. 2], [2: Cap. 2], [3: Cap. 2]) ALGORITMI DI APPRENDIMENTO. Stima parametrica. Polarizzazione e varianza. Funzioni costo. Fondamenti di ottimizzazione di funzioni costo per il machine learning. Stima ottima ai minimi quadrati. Regressione lineare. Algoritmi basati sul gradiente. Introduzione alla classificazione. Classificazione Bayesiana. Regressione logistica. Algoritmi di machine learning per la classificazione. Regolarizzazione e apprendimento sparso. Esempi applicativi. (Rif: [1: Cap. 3, 4, 5, 10]) ALGORITMI DI APPRENDIMENTO NON LINEARI. Modellamento e stima non lineari. Algoritmi non lineari di apprendimento online. Metodi basati sui kernel. Regressione e classificazione con metodi a kernel. Apprendimento online con kernel. Esempi applicativi. (Rif: [1: Cap. 11], [2: Cap. 18]) DEEP LEARNING PER MLSP. Introduzione al deep learning, operazioni di calcolo nel deep learning. Reti neurali convoluzionali. Reti neurali ricorrenti per l’elaborazione dei segnali. Metodi long short-term memory. Metodi generativi d deep learning. Reti neurali su grafi. Esempi applicativi con segnali audio, vocali, biomedici, immagini, musica. (Rif: [1: Cap. 18], [3: Cap. 5, 6, 8, 17]) Durante l'intero corso, verranno organizzate sessioni di laboratorio in Python, compresa l'implementazione dei principali metodi di apprendimento automatico in diversi contesti applicativi di elaborazione del segnale (ad es. Audio e parlato, immagini, segnali biomedici, segnali musicali, segnali multicanale da sensori eterogenei e processi di manutenzione predittiva, tra gli altri).

Testo principale: Sergios Theodoridis, “Machine Learning: A Bayesian and Optimization Perspective”. Elsevier, 2015. Testi alternativi - Kevin P. Murphy, “Machine Learning: A Probabilistic Perspective”. The MIT Press, 2012. - Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola, “Dive Into Deep Learning”. Amazon, 2020. - Christopher M. Bishop, "Pattern Recognition and Machine Learning". Springer, 2006. Materiale integrativo a cura del docente (lucidi del corso, articoli) disponibile sul sito web http://danilocomminiello.site.uniroma1.it e sul pagina della classe virtuale del corso (Classroom).