B8375 - MACHINE LEARNING PER L'ELABORAZIONE DEI SEGNALI LM

Conoscenze e abilità da conseguire

Al termine del corso lo studente possiede le competenze per la progettazione e implementazione di soluzioni di machine learning in contesti ingegneristici, con particolare riferimento ai segnali e alle telecomunicazioni. In particolare, lo studente è in grado di: - Applicare modelli di apprendimento automatico per la compressione, il filtraggio e la predizione di segnali. - Progettare e utilizzare algoritmi di machine learning per migliorare la performance di sistemi di elaborazione dei segnali e di comunicazione. - Integrare tecniche di machine learning con metodi tradizionali di elaborazione del segnale.

Contenuti

• Richiami su segnali, rumore e modelli probabilistici.
• Rappresentazione di segnali multidimensionali (tempo–frequenza–spazio): trasformata di Fourier, short-time Fourier transform (STFT), spettrogramma e cenni alla trasformata wavelet.
• Filtraggio numerico di segnali.
• Regressione lineare e tecniche di regolarizzazione.
• Classificazione di segnali mono e multidimensionali.
• Selezione e valutazione dei modelli: cross-validation, metriche di prestazione, overfitting, underfitting, regolarizzazione.
• Tecniche di clustering: Gaussian mixture models (GMM), stima dei parametri tramite expectation-maximization (EM).
• Riduzione della dimensionalità: principal component analysis (PCA), kernel PCA (KPCA).
• Separazione di sorgenti tramite independent component analysis (ICA).
• Variational Bayesian factor analysis (VBFA).
• Tecniche di machine learning guidate da modelli:
  • Concetto di apprendimento ibrido: dati + modello;
  • Esempi di architetture ispirate a modelli fisici o algoritmici;
  • Model-based neural networks (MBNN): motivazioni e vantaggi rispetto ai modelli black-box.

Applicazioni: separazione e classificazione di sorgenti audio e sonar/radar; compressione di segnali; estrazione di componenti latenti in segnali multicanale (es. cocktail party problem).

Testi/Bibliografia

• D. J. C. MacKay, Information Theory, Inference and Learning Algorithms. Cambridge University Press, 2003.
• S. Theodoridis, Machine Learning: A Bayesian and Optimization Perspective, 2nd ed. Academic Press, 2020.
• C. M. Bishop, Pattern Recognition and Machine Learning. Springer, 2006.
• T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. Springer, 2009.
• J. Watt, R. Borhani, and A. K. Katsaggelos, Machine Learning Refined: Foundations, Algorithms, and Applications, 2nd ed. Cambridge University Press, 2020.

Metodi didattici

Il corso prevede lezioni in aula e seminari di approfondimento. Durante le lezioni vengono implementati, tramite Matlab e Python, alcuni algoritmi selezionati per l’elaborazione dei segnali mediante tecniche di machine learning, e messi a disposizione degli studenti.
Tra gli esempi trattati vi sono: separazione e classificazione di sorgenti audio e sonar/radar; compressione di segnali; estrazione di componenti latenti in segnali multicanale (es. cocktail party problem).

Modalità di verifica e valutazione dell'apprendimento

La verifica dell'apprendimento avviene attraverso un esame articolato in due parti:

• Svolgimento di un elaborato che può consistere nella realizzazione di un’applicazione relativa a uno o più argomenti trattati nel corso. La consegna della documentazione relativa all’elaborato (incluso il software sviluppato, se presente) è indispensabile per poter sostenere la prova orale.
• Una prova orale, a sua volta composta da due momenti: discussione dell’elaborato e domande sugli strumenti acquisiti durante il corso.

Il voto finale, espresso in trentesimi, tiene conto delle valutazioni ottenute in entrambe le prove.
L’elaborato mira ad accertare le abilità acquisite nella risoluzione di problemi relativi alle tematiche trattate, mentre la prova orale ha lo scopo di verificare l'acquisizione delle conoscenze previste dal programma.

 

Alle Studentesse e agli Studenti con DSA o disabilità temporanee o permanenti si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile, all'indirizzo (https://site.unibo.it/ studenti-con-disabilita-e-dsa/ it [https://site.unibo.it/studenti-con-disabilita-e-dsa/it):] ). Sarà cura dell'ufficio proporre eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/la docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Strumenti a supporto della didattica

Materiale didattico, dispense, slide, esercizi ed esempi di codice disponibili su Virtuale.

Orario di ricevimento

Consulta il sito web di Andrea Giorgetti