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)
|
Visual Intelligence (2024/2025)
Codice insegnamento
4S010686
Docente
Coordinatore
Crediti
6
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
ING-INF/06 - BIOINGEGNERIA ELETTRONICA E INFORMATICA
Periodo
I semestre dal 1 ott 2024 al 31 gen 2025.
Corsi Singoli
Autorizzato
Obiettivi di apprendimento
Il corso si propone di fornire le competenze relative all'analisi, alla modellazione e all'interpretazione di immagini e segnali multidimensionali con enfasi sugli aspetti relativi alla visione artificiale e ai fini sia dell'applicazione di tecniche di intelligenza artificiale a problemi tipici in ambito multimediale sia dell'interpretazione dei relativi risultati. Al termine dell'insegnamento lo/la studente sarà in grado analizzare e di risolvere in autonomia problemi tipici relativi alla modellazione di diverse tipologie di segnali (oltre alle immagini, sequenze video, dati volumetrici, etc.), all'estrazione di feature, alla comprensione e all'analisi della performance di algoritmi di apprendimento automatico orientati alla visione artificiale in ambito multimediale.
Prerequisiti e nozioni di base
Nessuno
Programma
Il corso si compone di due blocchi: 1) rappresentazione dei segnali mediante analisi multirisoluzione e 2) metodi di eXplainable AI con particolare enfasi su deep learning e reti convoluzionali (CNN). Entrambi i blocchi includono una parte di teoria e una di laboratorio, che si integrano al termine dell’insegnamento a costituire la base per il progetto d’esame.
Parte 1: Analisi multirisoluzione – 12 ore teoria, 8 ore lab
Rivisitazione della trasformata di Fourier in 1D e in 2D
Trasformata di Fourier a finestra (Windowed Fourier Transform)
Wavelets e rappresentazioni multirisoluzione
Basi wavelet
Famiglie di trasformate multiscala e loro proprietà
Implementazione veloce della trasformata wavelet discreta (DWT)
Trasformata wavelet discreta in 2D
Scattering transform
Parte 2: eXplainabe AI – 12 ore teoria, 16 ore lab
Modelli interpretabili (White box)
- 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
- Richiami di deep learning
- Metodi di visualizzazione (layer, filtri, mappe di attivazione)
- Valori di attribuzione dei pixel e mappe di salienza
- Metodi basati sui gradienti (integrated gradients e varianti)
- 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.
Bibliografia
Modalità didattiche
Le lezioni saranno erogate in presenza. Ove possibile, saranno rese disponibili le registrazioni delle lezioni degli anni precedenti.
Modalità di verifica dell'apprendimento
L'esame prevede lo svolgimento e la discussione di un progetto relativo alle tematiche trattate nel corso. La prova d'esame consiste nella presentazione del progetto mediante diapositive e nella discussione dei relativi aspetti teorici e applicativi in forma di colloquio orale.
Criteri di valutazione
Per superare l'esame lo studente dovrà dimostrare di:
- Aver compreso gli aspetti teorici fondamentali relativi alle due parti in cui si articola l’insegnamento
- Aver compreso le relazioni tra gli argomenti trattati
- Aver acquisito competenze teoriche e pratiche relative alla teoria della multirisoluzione e alle sue implicazioni in ambito di interpretabilità dei modelli di apprendimento automatico profondo
- Essere in grado di trasporre le competenze acquisite in soluzioni di problemi concreti in ambito multidisciplinare.
Criteri di composizione del voto finale
Il voto finale sarà determinato dall'esito della presentazione del progetto e della discussione.
Lingua dell'esame
Inglese
