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.
Piano Didattico
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 2025/2026Il 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.
1° Anno
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
1 module among the following2 modules among the following (1st year: Knowledge representation, Natural language processing, HCI Intelligent interfaces - 2nd year: AI & Cloud, Visual intelligence, Statistical learning - 1st and 2nd year: Computer Vision & Deep Learning)2 modules among the following (1st year: Knowledge representation, Natural language processing, HCI Intelligent interfaces - 2nd year: AI & Cloud - 1st and 2nd year: Computer Vision & Deep Learning)2 modules among the following (A.A. 2022/23 Quantum computing not activated; A.A. 2023/24: Complex systems not activated)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.
Visual Intelligence (2023/2024)
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 2 ott 2023 al 26 gen 2024.
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.
Modalità di verifica dell’apprendimento
Per superare l'esame gli studenti dovranno dimostrare di:
- aver compreso i principi alla base dell’intelligenza visuale
- essere in grado di esporre argomentazioni sulle tematiche del corso in modo preciso e organico senza divagazioni
- saper applicare le conoscenze acquisite per risolvere problemi applicativi presentati sotto forma di esercizi, domande e progetti.
Prerequisiti e nozioni di base
Fondamenti di elaborazione di segnali e immagini
Programma
Il corso si compone di tre blocchi: modellazione del sistema visivo umano (HVS), rappresentazione dei segnali mediante analisi multirisoluzione e analisi degli algoritmi di deep learning implementati mediante reti convoluzionali (CNN).
Parte 1: Sistema Visivo Umano (HVS) – 10 ore
Introduzione all’Intelligenza visuale
Fondamenti di visione, codifica, rappresentazione e interpretazione dello stimolo visivo, modellazione del sistema visivo (elaborazione multiscala del segnale visivo, funzione di sensibilità al contrasto (CSF), codifica, rappresentazione e percezione del colore (CMF)
Modellazione ad alto livello del HVS: connettività strutturale e funzionale e relativa modellazione mediante grafi
Parte 2: Analisi multirisoluzione – 20 ore
Background
Richiami e acquisizione di strumenti matematici
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 3: Applicazione all’interpretazione del comportamento delle reti convoluzionali profonde (CNN) – 10 ore
Richiami di CNN
Il problema dell'interpretabilità, principali soluzioni proposte
Reti convoluzionali, HVS e analisi multirisoluzione: verso l'integrazione
Interpretazione delle reti CNN alla luce della teoria della multirisoluzione e del modello del HVS
Esempi di applicazione nel contesto dell’interpretable deep learning
LABORATORIO
Le sessioni di laboratorio consisteranno in esercitazioni da svolgere in Matlab e Python relative agli argomenti trattati nel corso.
Bibliografia
Modalità didattiche
Le lezioni saranno frontali. Le registrazioni video degli anni precedenti possono essere rese disponibili su richiesta.
Modalità di verifica dell'apprendimento
L'esame consisterà in un progetto e in un colloquio sui temi trattati nel corso.
Criteri di valutazione
Per superare l'esame lo studente dovrà dimostrare di:
- Aver compreso gli aspetti teorici fondamentali relativi alle tre parti in cui si articola l’insegnamento
- Aver compreso le relazioni tra gli argomenti trattati e le differenze e analogie a livello modellistico
- 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
