mail unicampaniaunicampania webcerca

    Rosanna CAMPAGNA

    Insegnamento di NUMERICAL MODELS IN DATA PROCESSING

    Corso di laurea magistrale in DATA SCIENCE

    SSD: MAT/08

    CFU: 6,00

    ORE PER UNITÀ DIDATTICA: 48,00

    Periodo di Erogazione: Secondo Semestre

    Italiano

    Lingua di insegnamento

    Inglese

    Contenuti

    • Algoritmi per il deblurring delle immagini

    • Analisi dei dati tramite grafi
    o Applicazioni al page ranking

    • Etichettatura di componenti connesse in un'immagine binaria, per l'analisi delle immagini, la comprensione delle immagini, il riconoscimento dei modelli e la visione artificiale.

    • Analisi di regressione mediante modelli spline. Modelli: spline di smoothing e spline di regressione.

    • Analisi delle componenti principali, Fattorizzazione matriciale non negativa, Support Vector Machine.

    Attività di laboratorio:
    Tutte le attività di laboratorio saranno sviluppate utilizzando l'ambiente MATLAB

    Testi di riferimento

    Deblurring Images
    Author(s): Per Christian Hansen, James G. Nagy, and Dianne P. O'Leary

    Mathematics of Data Science: A Computational Approach to Clustering and Classification
    Author(s): Daniela Calvetti, Erkki Somersalo

    Obiettivi formativi

    Conoscenze: gli studenti devono acquisire conoscenze di base su metodi numerici e algoritmi per l'analisi dei dati e di immagini.

    Applicazioni delle conoscenze e competenze: gli studenti dovrebbero essere in grado di selezionare e applicare correttamente i metodi numerici di base e gli strumenti software per l'analisi dei dati, in particolare di immagini.

    Abilità comunicative: gli studenti dovrebbero essere in grado di illustrare i metodi e gli strumenti appresi durante il corso e di comunicare i risultati ottenuti, utilizzando un linguaggio tecnico e scientifico adeguato.

    Prerequisiti

    Non sono previste propedeuticità, gli studenti non sono obbligati a superare gli esami di altri corsi prima di frequentare questo.

    Metodologie didattiche

    Il corso prevede lezioni frontali e sessioni di laboratorio.

    La frequenza ai corsi non è obbligatoria, ma è fortemente consigliata.

    Metodi di valutazione

    Gli studenti vengono valutati attraverso una prova orale, volta a verificare il raggiungimento degli obiettivi del corso. Durante l'esame gli studenti devono presentare lo sviluppo di codici che implementino i metodi studiati.

    Per ciascuno degli algoritmi implementati, è necessaria l'esecuzione su una serie di problemi test, che evidenzino gli aspetti implementativi, le prestazioni dei codici implementati e l'analisi dei risultati ottenuti.

    A tale scopo, gli studenti possono utilizzare i programmi sviluppati da loro stessi o resi disponibili dal docente durante il corso.
    L'uso di altro materiale didattico non è consentito.

    I voti sono espressi in trentesimi. Il punteggio minimo richiesto è 18/30. Il voto massimo è 30/30 con lode.

    Per essere ammessi alla valutazione, gli studenti devono presentare un documento d'identità valido.

    Altre informazioni

    Le attività di laboratorio sono parte integrante del programma.

    Programma del corso

    Algoritmi per il deblurring delle immagini (3 cfu):
    o Il problema della sfocatura delle immagini
    o Preliminari: manipolazione di immagini in MATLAB
    o La funzione di sfocatura
    o Calcoli a matrici strutturate
    o Scomposizione in valori singolari e analisi spettrale
    o Regolarizzazione mediante filtraggio spettrale
    o Immagini a colori, norme di smussamento e altri argomenti
    o Appendice: Funzioni MATLAB

    • Analisi dei dati tramite grafi (1 cfu):
    o Algoritmi di esplorazione utilizzando grafi.
    o Applicazioni al page ranking

    • Etichettatura di componenti connesse (1 cfu):
    o Il problema dell'etichettatura di componenti connesse in un'immagine binaria. L'etichettatura di componenti connesse è uno dei processi più importanti per l'analisi delle immagini, la comprensione delle immagini, il riconoscimento dei modelli e la visione artificiale.
    • Analisi di regressione mediante modelli spline (1 cfu)
    o Ottimizzazione delle funzioni spline per modellare e prevedere le tendenze dei dati. Vengono descritti in dettaglio due modelli: spline di smoothing e spline di regressione.
    o Applicazioni: elaborazione di segnali e immagini, computer grafica, apprendimento profondo geometrico e reti neurali.

    • PCA, NMF, SVM (2 cfu).

    Attività di laboratorio:
    Tutte le attività di laboratorio saranno sviluppate utilizzando l'ambiente MATLAB

    English

    Teaching language

    English

    Contents

    • Algorithms for Image Deblurring.



    • Data analysis using graphs.
    o Applications to page ranking

    • Connected-component labeling in a binary image. Connected-component labeling for image analysis and object recognition in the image, pattern recognition, and computer vision.

    • Regression analysis by spline models: Smoothing spline functions to model and predict data trends: smoothing splines and regression splines.

    • Principal component analysis, Non-negative matrix factorization, Support Vector Machine.

    Laboratory activities:
    All laboratory activities will be developed using the MATLAB environment

    Textbook and course materials

    Deblurring Images
    Author(s): Per Christian Hansen, James G. Nagy, and Dianne P. O'Leary

    Mathematics of Data Science: A Computational Approach to Clustering and Classification
    Author(s): Daniela Calvetti, Erkki Somersalo

    Course objectives

    Knowledge and understanding: students are expected to acquire basic knowledge of numerical methods and algorithms for data (image) analysis.

    Applying knowledge and understanding: students should be able to select and properly apply basic numerical methods and software tools for data and image analysis.

    Communication skills: students should be able to illustrate the methods and tools learned during the course and to communicate the results obtained with them, using a suitable technical and scientific language

    Prerequisites

    Students are not required to pass the exams of other courses before taking this one.

    Teaching methods

    The course consists of lectures and laboratory sessions.

    Course attendance is not mandatory, but it is strongly recommended.

    Evaluation methods

    Students are evaluated through an oral assessment, aimed at verifying if they matched the objectives of the course. During the assessment, students are also asked to provide a computer-based illustration of methods and tools studied in the course, through the execution is required on a set of test problems, which highlight the implementation aspects and the performance of the implemented codes, and the analysis of the results obtained.

    To this aim, students can use computer programs developed by themselves or made available by the teacher during the course.
    The use of other course material is not allowed.

    Marks are expressed in the thirtieths. The minimum passing mark is 18/30. Outstanding performance is marked 30/30 cum laude.

    In order to be admitted to the evaluation, students must show a valid id card.

    Other information

    The laboratory activities are an integral part of the program.

    Course Syllabus

    Algorithms for Image Deblurring (3 cfu):
    o The Image Deblurring Problem
    o Preliminaries: Manipulating Images in MATLAB
    o The Blurring Function
    o Structured Matrix Computations
    o Singular value decomposition and Spectral Analysis
    o Regularization by Spectral Filtering
    o Color Images, Smoothing Norms, and Other Topics
    o Appendix: MATLAB Functions

    • Data analysis using graphs (1 cfu):
    o Exploration algorithms using graphs.
    o Applications to page ranking

    • Connected-component labeling (1 cfu) in a binary image. Connected-component labeling is indispensable for distinguishing different objects in a binary image, and prerequisite for image analysis and object recognition in the image. Therefore, connected-component labeling is one of the most important processes for image analysis, image understanding, pattern recognition, and computer vision.
    • Regression analysis by spline models (1 cfu)
    o Smoothing spline functions to model and predict data trends. Two models are described in detail: smoothing splines and regression splines.
    o Applications: Signal and image processing, Computer graphics, Geometric deep learning and neural networks.

    • PCA, NMF, SVM (2 cfu).

    Laboratory activities:
    All laboratory activities will be developed using the MATLAB environment

    facebook logoinstagram buttonyoutube logotype