Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Ingegneria
MATHEMATICAL ENGINEERING - INGEGNERIA MATEMATICA
Insegnamento
SYSTEM IDENTIFICATION AND DATA ANALYSIS
INP8084399, A.A. 2019/20

Informazioni valide per gli studenti immatricolati nell'A.A. 2019/20

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
MATHEMATICAL ENGINEERING - INGEGNERIA MATEMATICA
IN2191, ordinamento 2017/18, A.A. 2019/20
N0
porta questa
pagina con te
Curriculum Percorso Comune
Crediti formativi 9.0
Tipo di valutazione Voto
Denominazione inglese SYSTEM IDENTIFICATION AND DATA ANALYSIS
Dipartimento di riferimento Dipartimento di Ingegneria Civile, Edile e Ambientale (ICEA)
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile GIORGIO PICCI

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Discipline ingegneristiche ING-INF/04 9.0

Organizzazione dell'insegnamento
Periodo di erogazione Secondo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
LEZIONE 9.0 72 153.0

Calendario
Inizio attività didattiche 02/03/2020
Fine attività didattiche 12/06/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2017

Commissioni d'esame
Commissione Dal Al Membri
2 2019 01/10/2019 15/03/2021 PICCI GIORGIO (Presidente)
CALLEGARO GIORGIA (Membro Effettivo)
PINZONI STEFANO (Supplente)
1 208 01/10/2018 15/03/2020 PICCI GIORGIO (Presidente)
CALLEGARO GIORGIA (Membro Effettivo)
PINZONI STEFANO (Supplente)

Syllabus
Prerequisiti: None
Conoscenze e abilita' da acquisire: Objective
Introduce the students to statistical learning methods for mathematical model building from experimental data

Outcomes
A student who has met the objectives of the course should have acquired a fundamental knowledge of modern statistical learning methods and of the numerical algorithms for model estimation and model-based prediction and decision making. Should acquire a basic understanding of deterministic and stochastic methods for time series and dynamical model identification
Modalita' di esame: Written with optional computer project. Two Partial tests during the academic year plus four regular exam sessions.
Criteri di valutazione: Completeness and orderliness of essay; clarity of exposition; rigour in using the technical terminology. The level of correspondence to these criteria will determine the graduation of the judgement and, consequently, the final mark.
Contenuti: 1. Review of classical Statistical theory;
2. Linear models estimation: Maximum Likelihood, vector and matrix least squares problems
3. Conditioning and regularization. Ridge regression, the Lasso and related algorithms. Basic Spline regression.
4. Linear Hypotheses and Linear Discriminant Analysis. Pattern recognition, the Perceptron and the basic ideas of Support Vector Machines
5. Bayesian Statistics, MAP and minimum variance estimation. The Hilbert space setting.
6. Principal Components Analysis (PCA), data compression and applications to recognition and classification problems. The continuous parameter case: Reproducing Kernels.
7. Non linear Inference: Neural Networks and logistic regression
8. Basics on stationary random processes. Modeling and identification of Time Series; parameter estimation of ARX models and their asymptotic behaviour. The problem of order selection.
9. Recursive identification algorithms. Kalman filter like algorithms.
Attivita' di apprendimento previste e metodologie di insegnamento: Frontal teaching and practical exercises, that the student has to further develop and deepen with his study.
Eventuali indicazioni sui materiali di studio: Classroom notes: STATISTICAL METHODS FOR DYNAMICAL DATA ANALYSIS by Giorgio Picci
Testi di riferimento:
  • Hastie Tibshirani Friedman, The Elements of Statistical Learning. --: Springer, 2009. Cerca nel catalogo