Questo sito utilizza cookie tecnici propri e di terze parti, necessari al suo funzionamento, e, con il tuo consenso, cookie di profilazione ed altri strumenti di tracciamento di terze parti, utili per esporre video ed analizzare il traffico al fine di misurare l'efficacia delle attività di comunicazione istituzionale. Puoi rifiutare i cookie non necessari e di profilazione cliccando su "Solo cookie tecnici". Puoi scegliere di acconsentirne l'utilizzo cliccando su "Accetta tutti" oppure puoi personalizzare le tue scelte cliccando su "Personalizza".
Per maggiori informazioni consulta la nostra privacy policy.

Solo cookie tecnici Personalizza Accetta tutti

vai al contenuto vai al menu principale vai alla sezione Accessibilità vai alla mappa del sito
Login  Docente | Studente | Personale | Italiano  English
 
Home page Home page

Artificial Intelligence

Corso Ingegneria Informatica e dei sistemi per le Telecomunicazioni
Curriculum Curriculum unico
Orientamento Reti ed applicazioni
Anno Accademico 2022/2023
Crediti 6
Settore Scientifico Disciplinare ING-INF/05
Anno Secondo anno
Unità temporale Primo semestre
Ore aula 48
Attività formativa Attività formative affini ed integrative

Canale unico

Docente CARLO ROMEO
Obiettivi L’obiettivo primario del corso è quello di fornire agli studenti le basi teoriche e pratiche per l’uso dell’intelligenza artificiale nell’ambito dell’analisi dei dati.

Autonomia di giudizio: a seguito del superamento dell’esame, lo studente sarà in grado di valutare le diverse alternative in fase di analisi e progettazione di sistemi di IA. Le alternative saranno valutate in base all’analisi dei dati a disposizione, dei desiderata e della potenza computazionale a disposizione per le fasi di inferenza.

Abilità comunicative: nella fase di progettazione e realizzazione delle soluzioni, l'esperto di IA deve interfacciarsi con esperti di differenti domini. È cruciale dunque essere in grado di comprendere i desiderata e le caratteristiche del dominio. È similmente importante essere in grado di comunicare le motivazioni alla base delle scelte progettuali intraprese.

Capacità di apprendimento: durante il corso lo studente studia su documentazione tecnica, soprattutto in lingua inglese, con lo scopo principale di acquisire la capacità di aggiornare continuamente le proprie conoscenze ed essere pronto ad applicare questa metodologia di studio anche per le nuove tecnologie.

Modalità di accertamento e valutazione.
Gli esami di accertamento e di valutazione consistono in una prova progettuale e in una prova orale. La prova progettuale, da svolgersi in singolo o in gruppo, è basata sulla realizzazione di una soluzione AI-based. Gli studenti devono dimostrare di essere in grado di effettuare correttamente tutte le fasi, motivando le decisioni prese e presentando opportunamente i risultati ottenuti. La prova orale ha l’obiettivo di discutere il progetto realizzato e di valutare la conoscenza, da parte dello studente, del programma del corso. Al termine della prova orale allo studente viene attribuito un voto massimo 30L/30.

Griglia di valutazione
30 e lode: conoscenza completa, approfondita e critica degli argomenti, eccellente proprietà di linguaggio, completa ed originale capacità interpretativa, piena capacità di applicare autonomamente le conoscenze per risolvere i problemi proposti;
28 - 30: conoscenza completa e approfondita degli argomenti, ottima proprietà di linguaggio, completa ed efficace capacità interpretativa, in grado di applicare autonomamente le conoscenze per risolvere i problemi proposti;
24 - 27: conoscenza degli argomenti con un buon grado di padronanza, buona proprietà di linguaggio, corretta e sicura capacità interpretativa, buona capacità di applicare in modo corretto la maggior parte delle conoscenze per risolvere i problemi proposti;
20 - 23: conoscenza adeguata degli argomenti ma limitata padronanza degli stessi, soddisfacente proprietà di linguaggio, corretta capacità interpretativa, più che sufficiente capacità di applicare autonomamente le conoscenze per risolvere i problemi proposti;
18 - 19: conoscenza di base degli argomenti principali, conoscenza di base del linguaggio tecnico, sufficiente capacità interpretativa, sufficiente capacità di applicare le conoscenze di base acquisite;
<18 Insufficiente: lo studente non possiede una conoscenza accettabile degli argomenti trattati durante il corso.
Programma N.D.
Testi docente N.D.
Erogazione tradizionale No
Erogazione a distanza No
Frequenza obbligatoria No
Valutazione prova scritta No
Valutazione prova orale No
Valutazione test attitudinale No
Valutazione progetto No
Valutazione tirocinio No
Valutazione in itinere No
Prova pratica No
Docente GIANLUCA LAX
Obiettivi L’obiettivo primario del corso è quello di fornire agli studenti le basi teoriche e pratiche per l’uso dell’intelligenza artificiale nell’ambito dell’analisi dei dati.

Autonomia di giudizio: a seguito del superamento dell’esame, lo studente sarà in grado di valutare le diverse alternative in fase di analisi e progettazione di sistemi di IA. Le alternative saranno valutate in base all’analisi dei dati a disposizione, dei desiderata e della potenza computazionale a disposizione per le fasi di inferenza.

Abilità comunicative: nella fase di progettazione e realizzazione delle soluzioni, l'esperto di IA deve interfacciarsi con esperti di differenti domini. È cruciale dunque essere in grado di comprendere i desiderata e le caratteristiche del dominio. È similmente importante essere in grado di comunicare le motivazioni alla base delle scelte progettuali intraprese.

Capacità di apprendimento: durante il corso lo studente studia su documentazione tecnica, soprattutto in lingua inglese, con lo scopo principale di acquisire la capacità di aggiornare continuamente le proprie conoscenze ed essere pronto ad applicare questa metodologia di studio anche per le nuove tecnologie.

Modalità di accertamento e valutazione.
Gli esami di accertamento e di valutazione consistono in una prova progettuale e in una prova orale. La prova progettuale, da svolgersi in singolo o in gruppo, è basata sulla realizzazione di una soluzione AI-based. Gli studenti devono dimostrare di essere in grado di effettuare correttamente tutte le fasi, motivando le decisioni prese e presentando opportunamente i risultati ottenuti. La prova orale ha l’obiettivo di discutere il progetto realizzato e di valutare la conoscenza, da parte dello studente, del programma del corso. Al termine della prova orale allo studente viene attribuito un voto massimo 30L/30.

Griglia di valutazione
30 e lode: conoscenza completa, approfondita e critica degli argomenti, eccellente proprietà di linguaggio, completa ed originale capacità interpretativa, piena capacità di applicare autonomamente le conoscenze per risolvere i problemi proposti;
28 - 30: conoscenza completa e approfondita degli argomenti, ottima proprietà di linguaggio, completa ed efficace capacità interpretativa, in grado di applicare autonomamente le conoscenze per risolvere i problemi proposti;
24 - 27: conoscenza degli argomenti con un buon grado di padronanza, buona proprietà di linguaggio, corretta e sicura capacità interpretativa, buona capacità di applicare in modo corretto la maggior parte delle conoscenze per risolvere i problemi proposti;
20 - 23: conoscenza adeguata degli argomenti ma limitata padronanza degli stessi, soddisfacente proprietà di linguaggio, corretta capacità interpretativa, più che sufficiente capacità di applicare autonomamente le conoscenze per risolvere i problemi proposti;
18 - 19: conoscenza di base degli argomenti principali, conoscenza di base del linguaggio tecnico, sufficiente capacità interpretativa, sufficiente capacità di applicare le conoscenze di base acquisite;
<18 Insufficiente: lo studente non possiede una conoscenza accettabile degli argomenti trattati durante il corso.
Programma Artificial Intelligence e Machine Learning
Tipologie di Sistemi di Machine Learning
Classificazione e Regressione
Valutazione di Classificatori e regressori
Underfitting/Overfitting e Regularization
Preprocessamento dei dati
K-nearest neighbors
Regressione Lineare
Algoritmo del gradiente discendente
Regressione Logistica
Support Vector Machine Lineari e non Lineari
Decision Tree
Ensemble learning
Random forest
Reti neurali
Deep Learning
Reti Neurali Convoluzionali
Reti Neurali Ricorrenti

Cenni su:
Reti neurali ricorrenti
Long-Short Term Memory
Gated Recurrent Unit
Autoencoder
Generative Adversarial Network
Federated Learning
Testi docente Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems, O'REILLY
Erogazione tradizionale
Erogazione a distanza No
Frequenza obbligatoria No
Valutazione prova scritta No
Valutazione prova orale
Valutazione test attitudinale No
Valutazione progetto
Valutazione tirocinio No
Valutazione in itinere No
Prova pratica No
Docente Lorenzo MUSARELLA
Obiettivi L’obiettivo primario del corso è quello di fornire agli studenti le basi teoriche e pratiche per l’uso dell’intelligenza artificiale nell’ambito dell’analisi dei dati.

Autonomia di giudizio: a seguito del superamento dell’esame, lo studente sarà in grado di valutare le diverse alternative in fase di analisi e progettazione di sistemi di IA. Le alternative saranno valutate in base all’analisi dei dati a disposizione, dei desiderata e della potenza computazionale a disposizione per le fasi di inferenza.

Abilità comunicative: nella fase di progettazione e realizzazione delle soluzioni, l'esperto di IA deve interfacciarsi con esperti di differenti domini. È cruciale dunque essere in grado di comprendere i desiderata e le caratteristiche del dominio. È similmente importante essere in grado di comunicare le motivazioni alla base delle scelte progettuali intraprese.

Capacità di apprendimento: durante il corso lo studente studia su documentazione tecnica, soprattutto in lingua inglese, con lo scopo principale di acquisire la capacità di aggiornare continuamente le proprie conoscenze ed essere pronto ad applicare questa metodologia di studio anche per le nuove tecnologie.

Modalità di accertamento e valutazione.
Gli esami di accertamento e di valutazione consistono in una prova progettuale e in una prova orale. La prova progettuale, da svolgersi in singolo o in gruppo, è basata sulla realizzazione di una soluzione AI-based. Gli studenti devono dimostrare di essere in grado di effettuare correttamente tutte le fasi, motivando le decisioni prese e presentando opportunamente i risultati ottenuti. La prova orale ha l’obiettivo di discutere il progetto realizzato e di valutare la conoscenza, da parte dello studente, del programma del corso. Al termine della prova orale allo studente viene attribuito un voto massimo 30L/30.

Griglia di valutazione
30 e lode: conoscenza completa, approfondita e critica degli argomenti, eccellente proprietà di linguaggio, completa ed originale capacità interpretativa, piena capacità di applicare autonomamente le conoscenze per risolvere i problemi proposti;
28 - 30: conoscenza completa e approfondita degli argomenti, ottima proprietà di linguaggio, completa ed efficace capacità interpretativa, in grado di applicare autonomamente le conoscenze per risolvere i problemi proposti;
24 - 27: conoscenza degli argomenti con un buon grado di padronanza, buona proprietà di linguaggio, corretta e sicura capacità interpretativa, buona capacità di applicare in modo corretto la maggior parte delle conoscenze per risolvere i problemi proposti;
20 - 23: conoscenza adeguata degli argomenti ma limitata padronanza degli stessi, soddisfacente proprietà di linguaggio, corretta capacità interpretativa, più che sufficiente capacità di applicare autonomamente le conoscenze per risolvere i problemi proposti;
18 - 19: conoscenza di base degli argomenti principali, conoscenza di base del linguaggio tecnico, sufficiente capacità interpretativa, sufficiente capacità di applicare le conoscenze di base acquisite;
<18 Insufficiente: lo studente non possiede una conoscenza accettabile degli argomenti trattati durante il corso.
Programma Introduzione a Python
Numpy
Pandas
Matplotlib
Web scraping - Selenium
Clustering e algoritmi di clustering
Testi docente Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems, O'REILLY
Materiale del docente
Erogazione tradizionale
Erogazione a distanza No
Frequenza obbligatoria No
Valutazione prova scritta No
Valutazione prova orale
Valutazione test attitudinale No
Valutazione progetto
Valutazione tirocinio No
Valutazione in itinere No
Prova pratica No

Ulteriori informazioni

Nessun avviso pubblicato
Nessuna lezione pubblicata
Codice insegnamento online non pubblicato

Impostazione cookie

Cerca nel sito

 

Posta Elettronica Certificata

Direzione

Tel +39 0965.1693217/3252

Fax +39 0965.1693247

Indirizzo e-mail


Protocollo

Tel +39 0965.1693422

Fax +39 0965.1693247

Indirizzo e-mail

Didattica e orientamento

Tel +39 0965.16933385

Fax +39 0965.1693247

Indirizzo e-mail

Indirizzo e-mail

Segreteria studenti

Tel +39 0965.1691475

Fax +39 0965.1691474

Indirizzo e-mail

Amministrazione

Tel +39 0965.1693214

Fax +39 0965.1693247

Indirizzo e-mail


Ricerca

Tel +39 0965.1693422

Fax +39 0965.1693247

Indirizzo e-mail

Social

Facebook

Twitter

YouTube

Instagram