Francesco VERDE
Insegnamento di STATISTICAL LEARNING FOR SIGNAL PROCESSING
Corso di laurea magistrale in INGEGNERIA ELETTRONICA
SSD: IINF-03/A
CFU: 6,00
ORE PER UNITÀ DIDATTICA: 48,00
Periodo di Erogazione: Primo Semestre
Italiano
| Lingua insegnamento | ITALIANO |
| Contenuti | Metodi di apprendimento supervisionato e non supervisionato per l’elaborazione statistica dei segnali, con modellazione probabilistica e inferenza/regressione Bayesiana, deep learning (reti convoluzionali e autoencoder), reti ricorrenti e Transformer per segnali e serie temporali. Laboratorio MATLAB/Python per implementazione e validazione sperimentale su casi di studio riguardanti problemi di comunicazione e sensing. |
| Testi di riferimento | 1. S. Theodoridis, Machine Learning: From the Classics to Deep Networks, Transformers, and Diffusion Models, Third Edition, Academic Press is an imprint of Elsevier, 2026. |
| Obiettivi formativi | Al termine del corso lo studente sarà in grado di modellare problemi di elaborazione dei segnali in presenza di rumore e interferenze utilizzando un’impostazione probabilistica e, ove appropriato, Bayesiana, nonché di progettare e confrontare soluzioni di apprendimento supervisionato e non supervisionato in funzione dei vincoli di prestazione e complessità. Lo studente saprà inoltre valutare correttamente le prestazioni dei metodi studiati e implementare in ambiente MATLAB/Python algoritmi di apprendimento dai segnali, applicandoli a casi di studio in ambito comunicazioni e sensing. |
| Prerequisiti | È richiesta familiarità con i fondamenti della Teoria dei Segnali, della Teoria della Probabilità e dei Processi Aleatori, e della Programmazione di base. |
| Metodi didattici | La didattica è erogata per il 100% con lezioni frontali, che includono teoria, esercitazioni numeriche ed attività laboratoriale. |
| Modalità di verifica dell'apprendimento | Progetto pratico e prova orale. |
| Altre informazioni | Informazioni aggiornate sul corso e il materiale didattico sono disponibili sul canale Teams del corso. |
| Programma esteso | Parte I – Fondamenti probabilistici e apprendimento dai segnali |
English
| Teaching language | Italian |
| Contents | Supervised and unsupervised learning methods for statistical signal processing, including probabilistic modeling and Bayesian inference/regression, deep learning (convolutional neural networks and autoencoders), recurrent neural networks, and Transformer architectures for signal and time-series analysis. MATLAB/Python laboratory sessions for the implementation and experimental validation of case studies involving communication and sensing applications. |
| Textbook and course materials | 1. S. Theodoridis, Machine Learning: From the Classics to Deep Networks, Transformers, and Diffusion Models, Third Edition, Academic Press is an imprint of Elsevier, 2026. |
| Course objectives | Upon successful completion of the course, students will be able to formulate signal processing problems in the presence of noise and interference using a probabilistic framework and, where appropriate, a Bayesian approach. They will be able to design and compare supervised and unsupervised learning solutions according to performance and computational complexity requirements. Students will also be able to evaluate the performance of the studied methods and implement signal learning algorithms in MATLAB/Python, applying them to case studies in communication and sensing applications. |
| Prerequisites | Familiarity with the fundamentals of Signal Theory, Probability Theory and Stochastic Processes, and basic programming concepts is expected. |
| Teaching methods | The course is delivered 100% through face-to-face instruction, comprising theoretical lectures, numerical exercises, and hands-on laboratory sessions. |
| Assessment methods | Practical project and oral examination. |
| Other information | Updated course information and teaching materials are available on the course Microsoft Teams channel. |
| Detailed syllabus | Part I – Probabilistic foundations and learning from signals |





