Studiare

In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.

Queste informazioni sono destinate esclusivamente agli studenti e alle studentesse già iscritti a questo corso.
Se sei un nuovo studente interessato all'immatricolazione, trovi le informazioni sul percorso di studi alla pagina del corso:

Laurea magistrale in Ingegneria e scienze informatiche - Immatricolazione dal 2025/2026

Il piano didattico è l'elenco degli insegnamenti e delle altre attività formative che devono essere sostenute nel corso della propria carriera universitaria.
Selezionare il piano didattico in base all'anno accademico di iscrizione.

CURRICULUM TIPO:

1° Anno 

InsegnamentiCreditiTAFSSD
12
B
ING-INF/05
12
B
INF/01
12
B
ING-INF/05

2° Anno   Attivato nell'A.A. 2019/2020

InsegnamentiCreditiTAFSSD
6
B
INF/01
Altre attivita' formative
4
F
-
Prova finale
24
E
-
InsegnamentiCreditiTAFSSD
12
B
ING-INF/05
12
B
INF/01
12
B
ING-INF/05
Attivato nell'A.A. 2019/2020
InsegnamentiCreditiTAFSSD
6
B
INF/01
Altre attivita' formative
4
F
-
Prova finale
24
E
-
Insegnamenti Crediti TAF SSD
Tra gli anni: 1°- 2°

Legenda | Tipo Attività Formativa (TAF)

TAF (Tipologia Attività Formativa) Tutti gli insegnamenti e le attività sono classificate in diversi tipi di attività formativa, indicati da una lettera.




S Stage e tirocini presso imprese, enti pubblici o privati, ordini professionali

Codice insegnamento

4S02792

Crediti

6

Coordinatore

Marco Cristani

Lingua di erogazione

Italiano

Settore Scientifico Disciplinare (SSD)

INF/01 - INFORMATICA

L'insegnamento è organizzato come segue:

Teoria

Crediti

5

Periodo

I semestre

Laboratorio

Crediti

1

Periodo

I semestre

Obiettivi formativi

Il corso si propone di fornire:
i) tecniche avanzate di riconoscimento statistico e apprendimento automatico, come classificatori discriminativi e neurali (deep learning);
ii) tecniche avanzate per la programmazione di codice professionale per la classificazione in ambiti industriali;
iii) conoscenza di problematiche di classificazione del mondo industriale, e tecniche solitamente utilizzate per la loro risoluzione.

Al termine del corso lo studente dovrà dimostrare di essere in grado di:
i) capire se un problema di classificazione possa essere risolto al netto delle tecnologie esistenti;
ii) capire che tipologia di algoritmo di apprendimento debba essere utilizzato per l'addestramento di un classificatore.
Inoltre dovrà dimostrare di avere capacità di applicare le conoscenze acquisite:
i) individuando che tipologia di classificatore o riconoscitore debba essere utilizzato in risposta ad un determinato problema;
ii) capendo che strategia di apprendimento automatico debba essere messa in atto in base al numero di dati di addestramento a disposizione;
iii) capendo la complessità del problema di riconoscimento in termini computazionali;
iv) essendo in grado di scrivere del software professionale che faccia riconoscimento su dati reali eventualmente modificandolo in relazione al problema in esame. Queste conoscenze consentiranno allo studente di capire che misure di errore e prestazione debbano essere prese in considerazione dato un problema specifico in esame. Inoltre, tali conoscenze consentiranno allo studente di proseguire gli studi in modo autonomo nell’ambito dell’apprendimento automatico o riconoscimento.

Programma

Il corso affornta una serie di argomenti allo stato dell’arte nel campo del riconoscimento. Pertanto, ogni argomento verrà spiegato attraverso articoli e dispense aggiornate allegate alle slide delle lezioni. In ogni caso, è consigliabile avere a disposizione questi testi come base di studio:
- Christopher M. Bishop. 2006. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag New York, Inc., Secaucus, NJ, USA.
- Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep learning. MIT Press, 2016.
Argomenti:
- Regressione lineare, ridge, LASSO, elastic net
- Multinomial Logistic Classifier,
- Neural Networks,
- Backpropagation,
- Convolutional Neural Network,
- Recurrent Neural Networks
- Long Short-Term Memory machine
- Transformer Network

Modalità d'esame

L’esame prevede la discussione con il docente di un elaborato scritto, che propone una soluzione ad un problema industriale di classificazione. Il voto dipenderà dalle capacità di classificazione ottenute dal classificatore (con misure di bontà di classificazione diverse da problema a problema), dai margini di confidenza statistici offerti e dalla motivazione teorica che ha spinto lo studente a scegliere una particolare tecnica di programmazione.

Le/gli studentesse/studenti con disabilità o disturbi specifici di apprendimento (DSA), che intendano richiedere l'adattamento della prova d'esame, devono seguire le indicazioni riportate QUI