Foto Luigi Portinale

Luigi PORTINALE

 
Macro struttura
 
SSD INF/01
Matricola 000138
0131 360 184   (int.: 3184)
0131 360 198

Impegni settimanali

Contatti

0131 360 184   (int.: 3184)
0131 360 198
Ufficio
Ufficio

Ricevimento e Altre Informazioni

Su appuntamento (luigi.portinale@uniupo.it).
E' possibile svolgere ricevimento anche a distanza usando Skype oppure l'apposito strumento BBB
all'interno dell'area DIR dei corsi

A. A. 2011 / 2012
Primo Semestre
SSD: INF/01
CFU: 6
Ore: 48
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 3
Ore: 24
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
Secondo Semestre
SSD: INF/01
CFU: 9
Ore: 72
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2012 / 2013
Primo Semestre
SSD: INF/01
CFU: 6
Ore: 48
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 3
Ore: 24
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
Secondo Semestre
SSD: INF/01
CFU: 6
Ore: 48
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2013 / 2014
Primo Semestre
SSD: INF/01
CFU: 6
Ore: 48
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 3
Ore: 24
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
Secondo Semestre
SSD: INF/01
CFU: 6
Ore: 48
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2014 / 2015
Primo Semestre
SSD: INF/01
CFU: 6
Ore: 48
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 3
Ore: 24
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
Secondo Semestre
SSD: INF/01
CFU: 6
Ore: 48
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 3
Ore: 24
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2015 / 2016
Primo Semestre
SSD: INF/01
CFU: 6
Ore: 48
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 3
Ore: 24
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
Secondo Semestre
SSD: INF/01
CFU: 6
Ore: 48
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 3
Ore: 24
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2016 / 2017
Annuale
SSD: SECS-P/08
CFU: 1
Ore: 2
Dipartimento: Dipartimento di Giurisprudenza e Scienze Politiche, Economiche e Sociali
SSD: SECS-P/08
CFU: 1
Ore: 2
Dipartimento: Dipartimento di Giurisprudenza e Scienze Politiche, Economiche e Sociali
Primo Semestre
SSD: INF/01
CFU: 6
Ore: 48
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 3
Ore: 24
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
Secondo Semestre
SSD: INF/01
CFU: 6
Ore: 48
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 3
Ore: 24
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2017 / 2018
Annuale
SSD: INF/01
CFU: 6
Ore: 48
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
Primo Semestre
SSD: INF/01
CFU: 9
Ore: 72
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
Secondo Semestre
SSD: INF/01
CFU: 9
Ore: 24
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2018 / 2019
Primo Semestre
SSD: INF/01
CFU: 9
Ore: 72
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
Secondo Semestre
SSD: INF/01
CFU: 6
Ore: 48
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 6
Ore: 48
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica

Pubblicazioni

Ricerca

Case-Based Reasoning. Temi correnti di ricerca in ambito CBR riguardano tecniche di retrieval avanzato per Big Data (ad esempio Locality Sensitive Hashing) e le applicazioni del CBR per sistemi i raccomandazione e per sistemi a supporto delle decisioni in campo finanziario.

Modelli Gafico Probabilistici. Attuali direzioni di ricerca riguardano sia applicazioni al campo dell’Affidibailita’ (Reliability e Dependability) sia al campo dei Sistemi di Raccomandazione. Nel primo caso si stanno studiando modelli a tempo continuo quali le Continuous Time Bayesian Networks (CTBN) proponendone estensioni opportune (GCTBN); inoltre ci si concentra sull’uso di modelli decisionali (Influence Diagrams e LIMID) per approcci alla FDIR (Fault Detection Identification and Recovery) o alla Information Security. Nel secondo caso si studia l’applicazione di modelli indiretti quali Markov Random Fields (MRF) nella definizione di strategie di raccomandazone di prodotti e/o servizi.

Machine Learnng, Data Mining e Intelligent Data Analysis. Nel contesto dell’analisi dati intelligente, si stanno studiando approcci e tecniche di estrazione di informazioni caratterizzanti prodotti agro-alimentari quali vino, miele, riso, ecc... In particolare  si studiano  tecniche automatiche per il riconoscimento, l’ autenticazione ed il controllo di qualita’ degli alimenti in oggetto, basandosi sull’elaborazione di dati chimico-analitici.

Deep Learning. Studio delle principali tecniche di Apprendimento Profondo per applicazioni relative a Big Data.

--------------------------------------------------------

Case-Based Reasoning. Advanced  retrieval techniques for Big Data (e.g.,  Locality Sensitive Hashing);  application of CBR to recommender systems and to financial decision support.

Probabilistic Graphical Models. Application of PGM modeling and algorithms to Reliability e Dependability:  continuous time models as Continouos Time Bayesian Networks (CTBN) and extensons (GCTBN); decision  models (Influence Diagrams e LIMID) for FDIR (Fault Detection Identification and Recovery) and Information Security. Application of undirected models (Markov Random Fields) to recommender systems

Machine Learnng, Data Mining e Intelligent Data Analysis. Definition of intelligent data analysis techniques for the identification, authentication and quality control of agri-food products (wine, honey, rice, etc...).

Deep Learning. Deep learning models for Big Data management and analytics.