logo-polimi
Loading...
Manifesto
Struttura Corso di Studi
Cerca/Visualizza Manifesto
Dati Insegnamento
Scarica il Manifesto
Regolamento didattico
Consulta il Regolamento
Elenco docenti
Strutture didattiche
Dati quantitativi
Internazionalizzazione
Orario Personalizzato
Il tuo orario personalizzato è disabilitato
Abilita
Ricerche
Cerca Docenti
Cerca Insegnamenti
Cerca insegnamenti degli Ordinamenti precedenti al D.M.509
Erogati in lingua Inglese

Legenda
Semestre (Sem)
1Primo Semestre
2Secondo Semestre
AInsegnamento Annuale
Lingua d'erogazione
Insegnamento completamente offerto in lingua italiana
Insegnamento completamente offerto in lingua inglese
--Non definita
Didattica innovativa
I CFU riportati a fianco a questo simbolo indicano la parte dei CFU dell'insegnamento erogati con Didattica Innovativa.
Tali CFU riguardano:
  • Cotutela con mondo esterno
  • Blended Learning & Flipped Classroom
  • Massive Open Online Courses (MOOC)
  • Soft Skills
Dati Insegnamento
Contesto
Anno Accademico 2018/2019
Scuola Scuola di Ingegneria Industriale e dell'Informazione
Corso di Studi (Mag.)(ord. 270) - MI (481) Computer Science and Engineering - Ingegneria Informatica
Piano di Studio preventivamente approvato T2A - COMPUTER SCIENCE AND ENGINEERING
Anno di Corso 1

Scheda Insegnamento
Codice Identificativo 055134
Denominazione Insegnamento LEARNING SPARSE REPRESENTATIONS FOR IMAGE AND SIGNAL MODELING
Tipo Insegnamento Monodisciplinare
Crediti Formativi Universitari (CFU) 5.0
Semestre Insegnamento Annuale
Programma sintetico The main goal of this course is to provide the student with an understanding of the most important aspects of the theory underlying sparse representation and, more in general, of sparsity as a form of regularization in learning problems. Students will have the opportunity to develop and understand the main algorithms for 1) learning sparse models, 2) computing sparse representations, and 3) solve optimization problems involving sparsity as a regularization prior. These methods have wide applicability in computer science, and these will be a useful background for their research. In particular, this course aims at: ● Presenting the most important aspects of the theory underlying sparse representations, and in particular the sparse-coding and dictionary-learning problems. ● Illustrating the main algorithms for sparse coding and dictionary learning, with a particular emphasis on solutions of convex optimization problems that are widely encountered in engineering. ● Providing an overview of sparsity as a general regularization prior in many inverse problems and the connection with LASSO in linear regression. ● Providing a broad overview of the applications involving sparse representations, with particular emphasis in image denoising (unsupervised task) and image classification (supervised task). ● Providing a solid understanding of sparse representation algorithms by means of guided computer laboratory hours, where students will implement and test these algorithms. ● Introduce extended models such as double sparsity and convolutional sparsity.

Orario: aggiungi e rimuoviScaglioneDocenteLingua offertaProgramma dettagliato
Da (compreso)A (escluso)
------Docente non definito--
manifesti v. 3.1.9 / 3.1.9
Area Servizi ICT
20/11/2019