Fondamenti probabilistici e apprendimento dai segnali:

Richiami di elaborazione statistica dei segnali e modelli di rumore. Concetti di probabilità e inferenza statistica per l’apprendimento (verosimiglianza, stima, decisione). Inferenza Bayesiana. Metriche di prestazione per segnali (errore quadratico medio, rapporto segnale-rumore, probabilità d’errore). Generalizzazione, sovradattamento (overfitting) e criteri di validazione del modello.

Apprendimento supervisionato per l’elaborazione dei segnali:

Regressione lineare e non lineare; minimi quadrati e regolarizzazione (ridge, LASSO). Regressione Bayesiana. Classificazione binaria e multiclasse (modelli discriminativi e generativi per il riconoscimento di segnali in presenza di rumore e interferenze). Support Vector Machines e metodi a nucleo (kernel) per la classificazione non lineare. Valutazione delle prestazioni: tasso di falso allarme e probabilità di rilevazione, curva caratteristica operativa del ricevitore e area sottesa.

Apprendimento non supervisionato e rappresentazione dei segnali:

Riduzione della dimensionalità e metodi a sottospazio (PCA e affini). Clustering e individuazione di strutture latenti nei dati (k-means e cenni a modelli probabilistici). Selezione/estrazione di caratteristiche e rappresentazioni tempo-frequenza. Applicazioni a problemi di signal processing: riduzione del rumore, compressione/ricostruzione e analisi esplorativa.

Modelli neurali e applicazioni avanzate di signal processing:

Deep Learning per segnali: reti neurali profonde, principi di addestramento e regolarizzazione. Reti convoluzionali per segnali monodimensionali e bidimensionali (estrazione automatica di rappresentazioni locali e multi-scala, applicazioni a classificazione, stima e riconoscimento). Reti ricorrenti per sequenze e serie temporali (modellazione di dipendenze nel tempo, previsione e rilevamento di eventi). Autoencoder per denoising e compressione (apprendimento di rappresentazioni latenti compatte, confronto con metodi classici di filtraggio e compressione in termini di distorsione e robustezza al rumore). Transformer per segnali e serie temporali. Casi di studio applicativi in comunicazioni e sensing.