- Docente: Marco Chiani
- Crediti formativi: 6
- SSD: ING-INF/03
- Lingua di insegnamento: Italiano
- Modalità didattica: Convenzionale - Lezioni in presenza
- Campus: Cesena
- Corso: Laurea Magistrale in Ingegneria elettronica e dell'informazione (cod. 6715)
Conoscenze e abilità da conseguire
Al termine del corso lo studente possiede competenze avanzate nella detection, stima e modellazione di processi aleatori, con un focus sull’applicazione a problemi nell’ambito dell’ingegneria dell’informazione. Lo studente possiede le conoscenze necessarie per progettare sistemi avanzati di rilevazione e stima di parametri, sfruttando tecniche statistiche per l'analisi di segnali e dati. Particolare attenzione è dedicata a casi di studio concreti, come quelli relativi ai sistemi radar e alle telecomunicazioni.
Contenuti
Il corso introduce i principi e le tecniche dell’inferenza statistica applicata all'ingegneria dell’informazione, con particolare attenzione alla stima di parametri, alla teoria della decisione, al machine learning, e ai metodi di filtraggio stocastico. Le metodologie trattate trovano applicazione in diversi ambiti avanzati, tra cui machine learning, radar, comunicazioni wireless, sistemi MIMO, localizzazione.
Contenuti principali:
Richiami di probabilità e statistica
Teoria della stima
Teoria della decisione
Stima di processi aleatori e sistemi dinamici
Machine Learning e inferenza statistica
Applicazioni ai sistemi radar
Applicazione alle comunicazioni wireless e MIMO
Esercitazioni e casi di studio con Python/Matlab
Testi/Bibliografia
- Appunti del corso forniti dal docente
- S. Kay, Fundamentals of Statistical Signal Processing, Volume I: Estimation Theory, and Volume II: Detection Theory. Prentice Hall 1998 - Van Trees, Detection, Estimation, and Modulation Theory, Part I, second edition. Wiley 2010.- T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. Springer, 2017. Free online version
Metodi didattici
Il corso prevede:
-
Lezioni frontali per la presentazione dei contenuti teorici, con l’ausilio di slide e lavagna.
-
Esercitazioni guidate, finalizzate all’applicazione pratica dei metodi statistici a problemi concreti.
-
Sessioni di laboratorio, in cui verranno sviluppati piccoli progetti e simulazioni con linguaggi come Python o Matlab, relativi a stima, filtraggio e classificazione.
È incentivata la partecipazione attiva degli studenti attraverso domande, approfondimenti e brevi esercizi durante le lezioni.
Modalità di verifica e valutazione dell'apprendimento
La verifica dell’apprendimento avviene esclusivamente tramite prova scritta, della durata tipica di 2 ore, comprendente:
-
Domande teoriche (a risposta aperta o breve) sui concetti fondamentali del corso.
-
Esercizi pratici di calcolo, modellazione e simulazione di problemi di stima, filtraggio e decisione.
Non è prevista prova orale.
La valutazione finale è espressa in trentesimi, con possibilità di lode.
Strumenti a supporto della didattica
-
Slide e appunti delle lezioni, disponibili sulla piattaforma e-learning dell’ateneo.
-
Dispense di riferimento e articoli scientifici, selezionati per approfondimenti mirati.
-
Notebook Python/Matlab forniti dal docente per le esercitazioni e simulazioni.
-
Forum o canale Teams per il supporto continuo, risposte a dubbi e interazione tra studenti e docente.
Orario di ricevimento
Consulta il sito web di Marco Chiani
SDGs



L'insegnamento contribuisce al perseguimento degli Obiettivi di Sviluppo Sostenibile dell'Agenda 2030 dell'ONU.