Dipartimento di Ingegneria dell'Informazione, delle Infrastrutture e dell'Energia Sostenibile - Università Mediterranea di Reggio Calabria - Didattica

Questo sito utilizza cookie tecnici e di terze parti. Se vuoi saperne di più o negare il consenso consulta l'informativa sulla privacy. Proseguendo la navigazione o cliccando su "Chiudi" acconsenti all'uso dei cookie. Chiudi

ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE

Corso

Ingegneria Industriale

Curriculum

Gestionale

Orientamento

Orientamento unico

Anno Accademico

2021/2022

Crediti

Settore Scientifico Disciplinare

ING-IND/31

Anno

Terzo anno

Unità temporale

Secondo semestre

Ore aula

Attività formativa

Attività formative a scelta dello studente (art.10, comma 5, lettera a)

Canale unico

Docente

Nadia Mammone

Obiettivi

CONOSCENZA E COMPRENSIONE:
Il corso si propone di arricchire il bagaglio dello studente di conoscenze e competenze nell’ambito dell’intelligenza artificiale (AI), rivolgendo particolare attenzione al machine learning. Svariate applicazioni ingegneristiche saranno proposte, in ambito biomedicale, spaziale, energetico, ambientale. Lo studente, in autonomia, svolgerà un proprio elaborato suggerito dal docente.
CAPACITA' DI APPLICARE CONOSCENZA E COMPRENSIONE:
Il corso è orientato a far acquisire allo studente competenze sulla progettazione e sviluppo di algoritmi basati su metodi di intelligenza artificiale, prevalentemente metodi di Machine Learning, per applicazioni ingegneristiche. Tale obiettivo viene perseguito anche attraverso esercitazioni laboratoriali durante le quali lo studente avrà modo di progettare i propri esperimenti per l’acquisizione dei dati e l’elaborazione degli stessi.
AUTONOMIA DI GIUDIZIO:
A fine corso, e in particolare al superamento dell’esame, lo studente sarà in grado, in completa autonomia, di definire i paradigmi dell’acquisizione dei dati necessari per l’esperimento e progettare algoritmi per l’elaborazione dei segnali acquisiti al fine di raggiungere l’obiettivo dello studio. Lo studente potrà contare sul bagaglio di metodi trattati durante il corso nonché sulla propria capacità di approfondire autonomamente ulteriori metodi presenti in letteratura, grazie ad un’acquisita padronanza dei concetti fondamentali dell’intelligenza artificiale.
ABILITA' COMUNICATIVE:
Attraverso una continua interazione docente-studente, il corso orienterà all’acquisizione del linguaggio proprio dell’intelligenza artificiale, del machine learning in particolare, permettendo inoltre allo studente di affinare la capacità di esprimersi attraverso un linguaggio tecnico appropriato.
CAPACITA' DI APPRENDIMENTO:
Al superamento dell’esame, lo studente avrà acquisito la capacità di progettare algoritmi basati su metodi di intelligenza artificiale, prevalentemente metodi di machine learning, per applicazioni di pertinenza dell’ingegneria, con particolare attenzione agli ambiti biomedicale, spaziale, energetico e ambientale. Viceversa, l’applicazione pratica dei concetti teorici permetterà di comprenderli a fondo e rielaborarli; lo studente svilupperà così in generale un approccio teorico-pratico alle materie ingegneristiche.

Programma

INTRODUZIONE ALL’AI E ALLE SUE APPLICAZIONI INGEGNERISTICHE (1 CFU)
Fondamenti dell’intelligenza artificiale. Introduzione all’intelligenza artificiale e ai suoi sotto-ambiti, Machine Learning, Deep Learning. Introduzione alla comprensione di come i sistemi AI possano risolvere problemi, apprendere, interagire, prendere decisioni. Introduzione alle tecnologie basate su AI, sulla rappresentazione della conoscenza, sui modelli probabilistici e il machine learning. Esempi di applicazioni ingegneristiche dell’AI. Overview sulle applicazioni dell’AI negli ambiti del signal processing, della computer vision e del natural language processing (NLP). Metodi neurali e non. Tipi di apprendimento.
METODI DI MACHINE LEARNING (3 CFU)
Apprendimento supervisionato. Proprietà generali dei sistemi di elaborazione neurale. Modello di neurone biologico. Neurone artificiale di McCulloch-Pitts. Regressione lineare. Metodo della discesa del gradiente. Funzioni di attivazione: sigmoidale, tangente iperbolica, ReLu. Architetture di rete: modelli feedforward. Perceptrons. Multi-layer Perceptrons. Metodi non neurali. Regressione logistica. Linear Discriminant Analysis. Gaussian Discriminant Analysis. Support Vector Machines.
Apprendimento non supervisionato. Clustering. Riduzione della dimensionalità. Hebbian Learning. Apprendimento competitivo. Natura statistica del processo di apprendimento. Algoritmo K-Means. Modelli competitivi e auto-organizzanti. Principal Component Analysis. Independent Component Analysis.
Cenni alle reti neurali di tipo Deep. Deep Feed-Forward Neural Networks. Cenni alle Convolutional Neural Networks. Visualizzazione dei processi nelle reti neurali.
LABORATORIO DI APPLICAZIONI INGEGNERISTICHE DELL’AI (2 CFU)
Progettazione e sviluppo di algoritmi per applicazioni ingegneristiche dell’AI in Matlab e/o Phyton. Acquisizione di segnali/immagini finalizzata alla costruzione dei dataset necessari per il training/test degli algoritmi. Costruzione del dataset di training e test, addestramento e validazione dei sistemi sviluppati.

Testi docente

Ian Goodfellow, Yoshua Bengio and Aaron Courville, “Deep Learning” (www.deeplearningbook.org), An MIT Press book
José C. Principe, “Neural and Adaptive Systems: Fundamentals Through Simulations”, Wiley
Simon Haykin, “Neural Networks”, IEEE Press

Erogazione tradizionale

Sì

Erogazione a distanza

Sì

Frequenza obbligatoria

Valutazione prova scritta

Valutazione prova orale

Sì

Valutazione test attitudinale

Valutazione progetto

Sì

Valutazione tirocinio