Biomedical Engineering
Cod 198325
- Laurea magistrale
- 2 anni
- 120 CFU
- LM-21 R
ING-INF/03
Artificial Intelligence FOR Signal Processing
Codice: 20810547
Scheda insegnamento
- Anno Accademico di erogazione
- 2026/2027
- Corso di studi
- Biomedical Engineering
- Periodo di erogazione
- Primo semestre
- CFU
- 9 CFU
- Lingua
- Italiano
- SSD
- ING-INF/03
Scopri il programma didattico
Programma, testi adottati e modalità d’esame sono quelli pubblicati dai docenti per l’anno accademico 2026/2027.
- Docente
- Emanuele Maiorana
- Curriculum
- Curriculum unico
- Anno di corso
- 2
- Periodo
- Primo semestre
- Ore
- 72
- CUIN
- 260002973
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, indipendent component analysis, outlier detection and data cleansing, hidden Markov models
deep learning & CNN
Processing
examples in Matlab & Python
Students' presentations
Prerequisiti
Conoscenze relativi a variabili e processi aleatori
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 di erogazione
Lezioni in aula, esercitazioni, presentazioni assegnate
Modalità di frequenza
Frequenza non obbligatoria ma caldamente consigliata
Modalità di valutazione
Discussione orale, presentazione tematica assegnata dal docente
Prove previste
- Prova orale
Esplora gli obiettivi dell’insegnamento
Ambito disciplinare: A scelta dello studente
The course introduces the fundamental principles and methods used in artificial intelligence, including the main machine learning and deep learning paradigms, with a specific focus on the approaches aiming to unveil the relevant information hidden in signals collected in real-world applications, such as those associated with electrical and mechanical sensors, audio and speech, images and videos, or biological and medical records, among many others.
Esempi di domande d’esame
- Strategie di aggiornamento parametri reti neurali
- p-value
- Metriche per classificazione binaria
- Esempi di loss-functions