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.
Tipologia di Attività formativa D e F
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 Artificial Intelligence - Immatricolazione dal 2025/2026Le attività formative di tipologia D sono a scelta dello studente, quelle di tipologia F sono ulteriori conoscenze utili all’inserimento nel mondo del lavoro (tirocini, competenze trasversali, project works, ecc.). In base al Regolamento Didattico del Corso, alcune attività possono essere scelte e inserite autonomamente a libretto, altre devono essere approvate da apposita commissione per verificarne la coerenza con il piano di studio. Le attività formative di tipologia D o F possono essere ricoperte dalle seguenti attività.
1. Insegnamenti impartiti presso l'Università di Verona
Comprendono gli insegnamenti sotto riportati e/o nel Catalogo degli insegnamenti (che può essere filtrato anche per lingua di erogazione tramite la Ricerca avanzata).
Modalità di inserimento a libretto: se l'insegnamento è compreso tra quelli sottoelencati, lo studente può inserirlo autonomamente durante il periodo in cui il piano di studi è aperto; in caso contrario, lo studente deve fare richiesta alla Segreteria, inviando a carriere.scienze@ateneo.univr.it il modulo nel periodo indicato.
2. Attestato o equipollenza linguistica CLA
Oltre a quelle richieste dal piano di studi, per gli immatricolati dall'A.A. 2021/2022 vengono riconosciute:
- Lingua inglese: vengono riconosciuti 3 CFU per ogni livello di competenza superiore a quello richiesto dal corso di studio (se non già riconosciuto nel ciclo di studi precedente).
- Altre lingue e italiano per stranieri: vengono riconosciuti 3 CFU per ogni livello di competenza a partire da A2 (se non già riconosciuto nel ciclo di studi precedente).
Tali cfu saranno riconosciuti, fino ad un massimo di 6 cfu complessivi, di tipologia F se il piano didattico lo consente, oppure di tipologia D. Ulteriori crediti a scelta per conoscenze linguistiche potranno essere riconosciuti solo se coerenti con il progetto formativo dello studente e se adeguatamente motivati.
Gli immatricolati fino all'A.A. 2020/2021 devono consultare le informazioni che si trovano qui.
Modalità di inserimento a libretto: richiedere l’attestato o l'equipollenza al CLA e inviarlo alla Segreteria Studenti - Carriere per l’inserimento dell’esame in carriera, tramite mail: carriere.scienze@ateneo.univr.it
3. Competenze trasversali
Scopri i percorsi formativi promossi dal TALC - Teaching and learning center dell'Ateneo, destinati agli studenti regolarmente iscritti all'anno accademico di erogazione del corso https://talc.univr.it/it/competenze-trasversali
Modalità di inserimento a libretto: non è previsto l'inserimento dell'insegnamento nel piano di studi. Solo in seguito all'ottenimento dell'Open Badge verranno automaticamente convalidati i CFU a libretto. La registrazione dei CFU in carriera non è istantanea, ma ci saranno da attendere dei tempi tecnici.
4. Contamination lab
Il Contamination Lab Verona (CLab Verona) è un percorso esperienziale con moduli dedicati all'innovazione e alla cultura d'impresa che offre la possibilità di lavorare in team con studenti e studentesse di tutti i corsi di studio per risolvere sfide lanciate da aziende ed enti. Il percorso permette di ricevere 6 CFU in ambito D o F. Scopri le sfide: https://www.univr.it/clabverona
ATTENZIONE: Per essere ammessi a sostenere una qualsiasi attività didattica, incluse quelle a scelta, è necessario essere iscritti all'anno di corso in cui essa viene offerta. Si raccomanda, pertanto, ai laureandi delle sessioni di dicembre e aprile di NON svolgere attività extracurriculari del nuovo anno accademico, cui loro non risultano iscritti, essendo tali sessioni di laurea con validità riferita all'anno accademico precedente. Quindi, per attività svolte in un anno accademico cui non si è iscritti, non si potrà dar luogo a riconoscimento di CFU.
Insegnamenti e altre attività che si possono inserire autonomamente a libretto valide per l'a.a. 2024/25
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Elementi di Cosmologia e Relatività generale | D |
Claudia Daffara
(Coordinatore)
|
| 1° 2° | Introduzione alla meccanica quantistica per il quantum computing | D |
Claudia Daffara
(Coordinatore)
|
| 1° 2° | Introduzione alla programmazione di smart contract per Ethereum | D |
Sara Migliorini
(Coordinatore)
|
| 1° 2° | Linguaggio programmazione Python [English edition] | D |
Carlo Combi
(Coordinatore)
|
| 1° 2° | Mini-course on Deep Learning & Medical Imaging | D |
Vittorio Murino
(Coordinatore)
|
| 1° 2° | Oltre Arduino: dal prototipo al prodotto con microcontroller STM | D |
Franco Fummi
(Coordinatore)
|
| 1° 2° | Progettazione di app REACT | D |
Graziano Pravadelli
(Coordinatore)
|
| 1° 2° | Progettazione di componenti hardware su FPGA | D |
Franco Fummi
(Coordinatore)
|
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Linguaggio Programmazione LaTeX | D |
Enrico Gregorio
(Coordinatore)
|
| 1° 2° | Linguaggio programmazione Python [Edizione in italiano] | D |
Carlo Combi
(Coordinatore)
|
| 1° 2° | Prototipizzazione con Arduino | D |
Franco Fummi
(Coordinatore)
|
| 1° 2° | Sfide di programmazione | D |
Romeo Rizzi
(Coordinatore)
|
| 1° 2° | Tutela dei beni immateriali (SW e invenzione) tra diritto industriale e diritto d’autore | D |
Mila Dalla Preda
(Coordinatore)
|
Computer Vision & Deep Learning (2024/2025)
Codice insegnamento
4S010679
Docente
Coordinatore
Crediti
6
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
INF/01 - INFORMATICA
Periodo
II semestre dal 3 mar 2025 al 13 giu 2025.
Corsi Singoli
Autorizzato
Obiettivi di apprendimento
I problemi di visione artificiale (Computer Vision, CV) vengono tradizionalmente affrontati adottando metodi di apprendimento automatico. Recentemente, gli approcci di apprendimento automatico profondo (deep learning, DL) hanno mostrato di affrontare le applicazioni di visione (es. rilevamento, classificazione, segmentazione, tracciamento, ecc.) in modo più efficace ed efficiente, raggiungendo prestazioni mai immaginate prima, consentendo anche di affrontare nuovi problemi (es. generazione di immagini, trasferimento di stile, per citarne alcuni). Questo corso mira a descrivere come i principali temi di visione vengono affrontati, e talvolta risolti, dagli approcci di DL. Il corso affronterà argomenti classici, ma significativi e con ampia applicabilità in scenari reali, argomenti di CV, che sono ancora questioni aperte, e che coinvolgono analisi e riconoscimento di immagini e video, così come di altri dati multimodali (3D, audio, ecc.). Gli approcci DL più significativi ed efficaci saranno dettagliati includendo, ma non solo, reti neurali convoluzionali, autoencoder, modelli ricorrenti, metodi di adattamento del dominio, anche affrontando problemi pratici solitamente incontrati in applicazioni reali come la scarsità di dati annotati (apprendimento non supervisionato o auto-supervisionato, apprendimento few/zero-shot), aumento e generazione di dati, robustezza agli attacchi “adversarial” e apprendimento continuo.
Prerequisiti e nozioni di base
I prerequisiti per seguire il corso consistono nell'aver acquisito competenze di Apprendimento Automatico, Riconoscimento di Pattern e Intelligenza Artificiale in generale.
La conoscenza di tematiche relative all'elaborazione delle immagini è anche fondamentale per la comprensione del corso in oggetto.
Programma
Il corso intende spiegare i metodi moderni per affrontare e risolvere i problemi di Visione Computazionale. Tali metodi consistono fondamentalmente in approcci di Apprendimento Profondo (Deep Learning) applicati all'elaborazione di immagini e video.
In particolare, il corso si svilupperà su argomenti monolitici relativi a specifici problemi aperti in Visione quali:
- Segmentazione
- Rivelazione (di oggetti)
- Riconoscimento (di oggetti)
- Stima della posa
- Tracciamento
- Riconoscimento e segmentazione di azioni/attività
- Ricostruzione di dati 2D e 3D
- Generazione di immagini
- Recupero di immagini
- Analisi di dati multimodali
- Visione e Linguaggio
- Adattamento al dominio e generalizzazione
- Trasferibilità
- Addestramento con dati scarsi, rumorosi, sbilanciati
Modalità didattiche
Le lezioni di Teoria si svolgeranno in aula con proiezione di slide, mentre le lezioni di laboratorio saranno al computer in aula informatica e consisteranno nell sviluppo di alcuni degli algoritmi sviluppati in classe
Modalità di verifica dell'apprendimento
Per superare l'esame gli studenti dovranno dimostrare di:
- aver compreso i principi teorici e gli algoritmi alla base delle tecniche di Computer Vision & Deep Learning descritti a lezione;
- essere in grado di esporre le proprie argomentazioni in modo preciso, organico e strutturato, senza divagazioni;
- saper applicare le conoscenze acquisite per risolvere problemi applicativi presentati sotto forma di esercizi, domande oppure progetti.
L'esame consisterà nello sviluppo di un progetto, seguito dalla scrittura di un rapporto tecnico ed una presentazione orale.
Durante la presentazione orale del progetto verranno fatte domande sui contenuti del corso descritti a lezione.
Criteri di valutazione
Qualità del progetto, livello di difficoltà e approfondimento, qualità e chiarezza nell'esposizione della presentazione del progetto.
Congruenza delle risposte alle questioni teoriche.
Criteri di composizione del voto finale
Una combinazione delle valutazioni relative al progetto e alle risposte alle domande di teoria.
Lingua dell'esame
Inglese
