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.
5. Periodo di stage/tirocinio
Oltre ai CFU previsti dal piano di studi (verificare attentamente quanto indicato sul Regolamento Didattico): qui informazioni su come attivare lo stage.
Verificare nel regolamento quali attività possono essere di tipologia D e quali di tipologia F.
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Introduzione alla programmazione di smart contract per Ethereum | D |
Sara Migliorini
(Coordinatore)
|
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Linguaggio programmazione Python | D |
Carlo Combi
(Coordinatore)
|
| 1° 2° | Sfide di programmazione | D |
Romeo Rizzi
(Coordinatore)
|
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Cooperative Game Theory in the (Deep) RL Era | D |
Alessandro Farinelli
(Coordinatore)
|
Explainable AI (2023/2024)
Codice insegnamento
4S010683
Docenti
Coordinatore
Crediti
6
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
INF/01 - INFORMATICA
Periodo
I semestre dal 2 ott 2023 al 26 gen 2024.
Corsi Singoli
Autorizzato
Obiettivi di apprendimento
Questo corso approfondisce metodi di machine learning e mira a fornire i mezzi per comprendere il "perché" e il "come" dei loro risultati. Dopo aver introdotto i concetti di base, verrà fornita una tassonomia dei metodi esistenti per l’eXplainable AI, quindi verranno illustrati i principali approcci allo stato dell'arte per l'intelligenza artificiale neuro-simbolica. La parte teorica sarà integrata da sessioni pratiche in cui i concetti acquisiti saranno messi in pratica considerando casi di studio specifici. Al termine del corso le studentesse e gli studenti avranno acquisito le competenze fondamentali relative a spiegabilità (explainability), interpretabilità, casualità e causalità; la conoscenza dei principali metodi di interpretabilità (metodi intrinseci, post-hoc, model-specific, model-agnostic, locali, globali, etc.), delle relative proprietà (sensibilità, invarianza di implementazione, separabilità, stabilità, completezza, correttezza, compattezza), dei principali tipi di spiegazioni e delle relative proprietà (accuratezza, fedeltà, coerenza, stabilità, comprensibilità, certezza e rilevanza), e dei principali metodi di visualizzazione (mappe di attivazione, LRP, GradCam). Inoltre le studentesse e gli studenti dovranno dimostrare di aver acquisito conoscenze sugli approcci allo stato dell'arte per l'intelligenza artificiale neuro-simbolica, con enfasi su: apprendimento profondo standard; risolutori simbolici che utilizzano reti neurali come sub-routine per la stima dello stato; sistemi ibridi con rete neurale e sistema simbolico specializzati su compiti complementari con interazione tramite input/output; conoscenza simbolica compilata nel training set di una rete neurale; sistemi di calcolo neurale che contengono al loro interno sistemi di ragionamento simbolico (ragionamento di tipo 1 e 2).
Modalità di verifica dell’apprendimento
Per superare l'esame gli studenti dovranno dimostrare di:
- Aver compreso gli aspetti teorici e metodologici oggetto dell'insegnamento
- Saper applicare le conoscenze acquisite per risolvere problemi applicativi presentati sotto forma di esercizi, domande e progetti.
Prerequisiti e nozioni di base
Fondamenti di machine e deep learning
Programma
Programma Parte 1
- Introduzione all'IA spiegabile: motivazioni, definizioni e strumenti
- Analisi causale di serie temporali: dalla causalità di Granger al testing efficiente di indipendenza condizionale con PCMCI
- Laboratori di analisi causale: introduzione allo strumento Tigramite per l'analisi causale di serie temporali e applicazione al rilevamento di anomalie offline per un sistema reale
- Pianificazione spiegabile: dal linguaggio di definizione del dominio di pianificazione all'implementazione della programmazione logica
- Programmazione del set di risposte (ASP) per una pianificazione spiegabile
- Programmazione Logica Induttiva (ILP) nell'ambito della semantica dell'insieme di risposte
- Laboratorio ASP: solutore Clingo per la pianificazione autonoma in un dominio semplice
- Laboratorio ILP: apprendimento delle specifiche progettuali dalle osservazioni
- Lezioni seminariali sull'intelligenza artificiale neurosimbolica: il deep learning incontra la programmazione logica e il ragionamento non monotono (Prof. Mohan Sridharan, Univ. di Birmingham, UK)
Introduzione (concetti principali, tassonomia, vetrine)
Programma Parte 2
Questa parte riguarda i metodi e gli strumenti di spiegabilità e interpretabilità più diffusi disponibili allo stato dell'arte. Si tratta di un percorso guidato che parte dai modelli lineari multivariati per arrivare alle reti profonde.
Modelli interpretabili
- Regressione lineare, regressione logistica, GLM, alberi decisionali….
- Metodi agnostici del modello globale
- Grafici di dipendenza parziale (PDP), Effetti Locali Accumulati (ALE), Ingegneria delle caratteristiche
Metodi locali agnostici del modello
- Modello Surrogato locale (LIME), Shapley Adaptive Explanations (SHAP)
Focus sulle reti neurali profonde
- Riepilogo sul deep learning
- Apprendimento e visualizzazione delle funzionalità (connessione con Visual Intelligence)
- Valori di attribuzione dei pixel e mappe di salienza
- Metodi basati sui gradienti (gradienti integrati, occlusioni)
- Propagazione della rilevanza (Layerwise Relevance Propagation)
Validazione dei risultati XAI
- Studi associativi
- Metodi automatici
Ogni lezione sarà integrata da una sessione pratica durante il Laboratorio.
Modalità didattiche
Lezioni in presenza
Modalità di verifica dell'apprendimento
L'esame consisterà nella discussione di un progetto.
Criteri di valutazione
Per superare l'esame gli studenti dovranno dimostrare di:
- Aver compreso gli aspetti teorici e metodologici oggetto dell'insegnamento
- Saper applicare le conoscenze acquisite per risolvere problemi applicativi presentati sotto forma di esercizi, domande e progetti.
Criteri di composizione del voto finale
Il voto finale sarà la media dei voti dei due moduli.
Lingua dell'esame
Inglese
