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 following
2 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.
Network Science (Non erogato 2022/2023)
Codice insegnamento
4S010695
Crediti
6
Settore Scientifico Disciplinare (SSD)
FIS/02 - FISICA TEORICA, MODELLI E METODI MATEMATICI
Obiettivi di apprendimento
Il corso mira a far acquisire allo studente le competenze modellistiche interdisciplinari fisico- matematiche per lo studio dei sistemi disordinati, dei network, e delle reti neurali artificiali ricorrenti, con applicazioni al learning nel contesto dell’intelligenza artificiale. Al termine del corso lo studente dovrà dimostrare di: saper elaborare modelli analitico-quantitativi e algoritmi numerici per la determinazione degli aspetti strutturali e la previsione della dinamica in sistemi disordinati su grafi e in sistemi di reti neurali artificiali.
Modalità di verifica dell’apprendimento
Per superare l'esame lo studente dovrà dimostrare di:
- aver compreso i principi fisico-matematici alla base della modellistica per lo studio dei sistemi disordinati, dei network, e delle reti neurali artificiali ricorrenti.
- essere in grado di esporre le proprie argomentazioni in modo preciso e organico senza divagazioni
- saper applicare le conoscenze acquisite per risolvere problemi applicativi presentati sotto forma di esercizi, domande e progetti.
L’esame consisterà nell’elaborazione di una tesina scritta di approfondimento su uno o più temi trattati nel corso, con successiva presentazione e discussione.