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 Elettrica ed Elettronica LM-28
Curriculum Electrical and Electronic Engineering
Orientamento Orientamento unico
Anno Accademico 2022/2023
Crediti 6
Settore Scientifico Disciplinare ING-IND/31
Anno Secondo anno
Unità temporale Secondo semestre
Ore aula 48
Attività formativa Attività formative a scelta dello studente (art.10, comma 5, lettera a)

Canale unico

Docente Cosimo IERACITANO
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 e deep learning. 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 e Deep Learning. 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 deep/machine learning, 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 deep/machine learning. 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.

KNOWLEDGE AND UNDERSTANDING:
The course aims to enrich the student's baggage with knowledge and skills in the field of artificial intelligence (AI), paying particular attention to machine learning and deep learning. The student, independently, will develop a project according to the suggestions provided by the teacher.
ABILITY TO APPLY KNOWLEDGE AND UNDERSTANDING:
The course aims at providing the student with skills on the development of AI algorithms, mostly based on Machine Learning and Deep Learning methods. This objective is also pursued through laboratory experiments and training sessions that will give the student the opportunity to design his/her own experiments to acquire and process the data.
AUTONOMY OF JUDGEMENT:
At the end of the course, and in particular upon exam completion, the student will be able to: define paradigms and experiments for acquiring data (signals, images, etc) for the achievement of the objectives of the study; design algorithms for processing the acquired signals in order to achieve the goal. The student will be able to rely on the methods covered during the course as well as on his/her own ability to independently explore additional methods found in the literature, thanks to an acquired ability to handle the fundamental concepts of artificial intelligence.
COMMUNICATION SKILLS:
Thanks to a continuous student-teacher interaction, the course will focus on the acquisition of the language peculiar of artificial intelligence, of deep/machine learning in particular, allowing the student to refine his/her own ability to express themselves through an appropriate technical language.
LEARNING ABILITY:
Upon exam completion, the student will have acquired the ability to design algorithms based on artificial intelligence, mostly deep/machine learning methods. Conversely, the practical application of theoretical concepts will reinforce their understanding; the student will thus develop a theoretical-practical approach to engineering topics.
Programma INTRODUZIONE ALL’AI (0.5 CFU)
Introduzione del corso. Storia e fondamenti dell’intelligenza artificiale. Introduzione di Machine Learning, Deep Learning. Esempi e applicazioni dell’intelligenza artificiale. Tipi di apprendimento.
METODI DI MACHINE LEARNING (1.5 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. Linear Discriminant Analysis. Support Vector Machines. Apprendimento non supervisionato. Clustering. Algoritmo K-Means. Apprendimento competitivo.
METODI DI DEEP LEARNING (1.5 CFU)
Cenni alle reti neurali di tipo Deep. Deep Feed-Forward Neural Networks. Convolutional Neural Networks. Autoencoders. Generative Adversarial Network (GAN).
METODI DI EXPLAINABLE ARTIFICIAL INTELLIGENCE (0.5)
Cenni ai metodi di xAI: occlusion sensitivity analysis, Gradient-weighted Class Activation Mapping (Grad-CAM), Local Interpretable Model-Agnostic Explanations (LIME).
LABORATORIO DI APPLICAZIONI 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.

INTRODUCTION TO ARTIFICIAL INTELLIGENCE (0.5 CFU)
Overview of Course. Hystory and fundamentals about Artificial Intelligence (AI). Introduction to Machine Learning, Deep learning. Examples of applications of AI. Types of learning.
MACHINE LEARNING METHODS (1.5 CFU)
Supervised learning. General properties of neural processing systems. Biological neuron model. McCulloch-Pitts artificial neuron. Linear regression. Gradient descent method. Activation functions: sigmoidal, hyperbolic tangent, ReLu. Network architectures: feedforward models. Perceptrons. Multi-layer Perceptrons. Logistic regression. Linear Discriminant Analysis. Support Vector Machines. Unsupervised learning. Clustering. K-Means algorithm. Competitive learning.
DEEP LEARNING METHODS (1.5 CFU)
Outline of deep neural networks. Deep Feed-Forward Neural Networks. Convolutional Neural Networks. Autoencoders. Generative Adversarial Network (GAN).
EXPLAINABLE ARTIFICIAL INTELLIGENCE METHODS (0.5 CFU)
Outline of xAI methos (e.g., occlusion sensitivity analysis, Gradient-weighted Class Activation Mapping (Grad-CAM), Local Interpretable Model-Agnostic Explanations (LIME)).
LABORATORY OF AI APPLICATIONS (2 CFU)
Design and development of algorithms for AI engineering applications in Matlab or Phyton. Acquisition of the signals/images aimed at the construction of the datasets meant for traning/testing the developed algorithms. Construction of the training and test datasets. Training and validation of the developed systems.

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
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 materiale didattico inserito per questo insegnamento
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