I PARTE:

Fondamenti di Teoria dell’Informazione:

Sorgenti discrete senza memoria; Entropia; La proprietà di equiripartizione asintotica (AEP); Sequenze tipiche; Codifica di Sorgente senza perdite; Il Primo teorema di Shannon; L’algoritmo di Huffmann; Codifica di Lempel-Ziv; Codifica Aritmetica;  Sorgenti discrete con memoria; Stazionarietà; Tasso entropico; Catene di Markov; Probabilità dello stato stazionario; Entropia delle catene di Markov; Cenni sulle catene di Markov nascoste; Canali discreti; Mutua Informazione; Capacità di Canale; La disuguaglianza di Fano; Il teorema inverso della codifica; Ricezione a massima verosimiglianza; Schema generale di codifica di canale; Introduzione intuitiva al teorema della codifica di canale; Il teorema della codifica per il caso binario (Secondo Teorema di Shannon); Codici a Blocco; Codici Convoluzionali e decodifica di Viterbi; Codici a bassa densità (LDPC) e Codici Turbo.

Classificatori:

Classificazione Model.based; Classificatori Gaussiani; La famiglia esponenziale;Elementi di classificazione Data-driven  

Elementi di Trasmissione Numerica:

Introduzione alla modulazione numerica; Lo spazio dei segnali; Il canale AWGN e il ricevitore ottimo; Ricevitore e prestazione per i principali schemi di modulazione numerica: PAM, PSK, QAM, FSK, OFDM.

Reti Bayesiane:

Definizioni di rete Bayesiana e Grafo Fattoriale; Risoluzione dell’inferenza basata sulla propagazione dei messaggi su: Catene di Markov (MM), Hidden Markov Models (HMM), Latent Variable Models (LVM).