Docente

• Prof. Gian Luca Foresti
• Prof. Christian Micheloni

Indirizzo e-mail

gianluca.foresti@uniud.it

Indirizzo Pagina Web Personale

http://www.dimi.uniud.it/foresti

http://www.dimi.uniud.it/members/christian.micheloni/

Crediti

9 CFU

Finalità e obbiettivi formativi

L’obiettivo del Corso è quello di fornire allo studente i principi di base delle applicazioni multimediali, introducendolo allo studio e all’analisi dei dati e dei segnali multimediali. In particolare, lo studente acquisirà specifiche competenze e conoscenze sulle caratteristiche generali dello sviluppo di una applicazione o di un sistema multimediale, sulle differenti tipologie di dati utilizzati e sulle principali tecniche di analisi ed elaborazione di dati multimediali. Il corso sarà basato principalmente su attività di laboratorio nelle quali sarà affrontato lo sviluppo di applicazioni multimediali in accordo alle nozioni teoriche presentate durante le lezioni.

Programma

1. Introduzione – Definizione di sistema multimediale e breve evoluzione storica. Architettura logica e fisica di un sistema multimediale. Multimedia e multiplemedia: definizioni, caratteristiche e computabilità. Sintesi di dati multimediali: applicazioni e principali caratteristiche. Analisi di dati multimediali: esempi di sistemi reali. Comunicazione multimediale in rete: quality of service (QoS), modelli reali di sistemi multimediali, requisiti utente. Introduzione a MATLAB. Presentazione dell’ambiente di programmazione e delle sue principali caratteristiche e funzionalità. Utilizzo efficiente delle strutture dati vettore e matrice. Esercitazioni di laboratorio su definizione e analisi di funzioni sinusoidali 1D e 2D, calcolo della media mobile, visualizzazione di vettori/matrici.
2. Acquisizione di dati multimediali – Sistema visivo umano e immagini naturali. Flusso audio analogico e digitale, immagini analogiche e digitali, immagini multisensoriali (ottiche, infrarosso, acustiche, etc.). Processo di campionamento e quantizzazione, risoluzione spaziale e luminosa di un’immagine, immagini in bianco e nero, a livelli di grigio e a colori. Esercitazioni di laboratorio su campionamento e quantizzazione di immagini e segnali digitali.
3. Rappresentazione dei dati multimediali – Principali formati audio e video. La rappresentazione di dati bisimensionali nello spazio del colore: cenni di colorimetria, modelli colorimetrici (RGB, CMY, HSV, YIQ), risoluzione cromatica, quantizzazione cromatica, dispositivi di visualizzazione. Esercizi ed esempi applicativi. Esercitazioni di laboratorio in MATLAB su formati audio e video.
4. Tecniche di codifica audio e codifica video – Tecniche di compressione, rapporto di compressione, entropia, metodi di compressione senza perdita di informazione (lossless). Metodo di Huffman, codifica aritmetica, metodo LZW, metodo RLC. Metodi di compressione con perdita di informazione (lossy): metodo di interpolazione, metodo di quantizzazione, metodo di compressione frattale, trasformata del coseno discreta (DCT). Esercitazioni di laboratorio in MATLAB su tecniche di codifica audio e video.
5. Tecniche di analisi dati – Dati e relazioni tra dati (scale, rappresentazione tramite insiemi e matrici, similarità e dissimilarità). Pre-elaborazione dei dati (tipi di errori, gestione degli errori, filtraggio trasformazione dei dati e loro fusione). Visualizzazione dei dati (diagrammi, PCA). Correlazione e dipendenza. Regressione (lineare, cross-validazione, selezione dei dati). Stima e classificazione. Esercizi di laboratorio in MATLAB su tecniche di analisi dei dati.
6. Social data, Web 2.0 e User Generated Content – Computer Mediated Communication (CMC) e piattaforme 2.0. Social Networking Sites (SNS) e photo/video sharing platforms: proprietà e dinamiche. Contenuti generati dagli utenti (UGC) e Contenuti distribuiti dagli utenti (UDC). Social data: cosa sono e da dove possono essere estratti. Tipologie di informazioni ricavabili dai social data. Potenzialità e valore dei dati nel Web 2.0. Digital method e analisi dei dati (quantitativa/qualitativa) su piattaforme social. Rischi del social data mining.

Prerequisiti

Sono prerequisiti del corso la conoscenza della matematica di base (in particolare, logaritmi, esponenziali, derivate, integrali, successioni aritmetiche e geometriche, funzioni in una variabile), delle principali grandezze fisiche e dell’informatica di base (architettura di un elaboratore, sistemi client/server, sistemi operativi, etc.)

Bibliografia

TESTI CONSIGLIATI

[1] D. Sciuto, G. Buonanno e L. Mari, Introduzione ai sistemi informatici, Quinta Edizione, McGraw-Hill, 2014.

[2] T. A. Runkler, Data Analytics: Models and Algorithms for Intelligent Data Analysis, Springer Verlag, 2012.

[3] A.S. Tanembaum, D.J. Wetherall, Reti di Calcolatori, (Quinta Edizione), Pearson, 2011.

[4] T.A. Runkler, Data Analytics, Springer,2012.

TESTI DI APPROFONDIMENTO

[1] N. K. Baym, Data not seen: The uses and shortcomings of social media metrics. First Monday, vol. 18, no. 10, 2013, http://firstmonday.org/ojs/index.php/fm/article/view/4873/3752

[2] T. Boellstorff, Making big data, in theory. First Monday, vol. 18, no. 10, 2013, http://firstmonday.org/ojs/index.php/fm/article/view/4869/3750

[3] F. Giglietto, L. Rossi, D. Bennato, The Open Laboratory: Limits and Possibilities of Using Facebook, Twitter, and YouTube as a Research Data Source. Journal of Technology in Human Services, vol. 30, no. 3-4, 2013, pp.145–159.

Il docente fornirà durante il corso specifico materiale didattico integrativo.

Modalità d'esame

L’esame si compone di un progetto di laboratorio e di una prova orale. La prova di laboratorio richiede di svolgere un progetto assegnato dal docente inerenti gli argomenti del Corso. La prova orale consiste nella discussione approfondita di alcuni degli argomenti trattati a lezione.

Orario di ricevimento

L’orario di ricevimento è concordato all’inizio del corso con gli studenti e pubblicizzato attraverso Esse3. Gli studenti possono chiedere per e-mail ricevimenti aggiuntivi oltre a quello standard.