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

A.A. 2026/2027 A.A. 2025/2026

Il 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

InsegnamentiCreditiTAFSSD
6
B
INF/01
12
B
ING-INF/05
12
B
INF/01

2° Anno  Sarà attivato nell'A.A. 2026/2027

InsegnamentiCreditiTAFSSD
6
B
INF/01
Final exam
24
E
-
InsegnamentiCreditiTAFSSD
6
B
INF/01
12
B
ING-INF/05
12
B
INF/01
Sarà attivato nell'A.A. 2026/2027
InsegnamentiCreditiTAFSSD
6
B
INF/01
Final exam
24
E
-
Insegnamenti Crediti TAF SSD
Tra gli anni: 1°- 2°
2 modules among:
- 1st year - Knowledge representation, Natural Language Processing, HCI - Multimodal Systems - delivered in 2025/2026
- 2nd year - AI & cloud - delivered in 2026/2027
- 1st and 2nd year - Advanced programming for AI, Computer vision & deep learning - delivered in 2025/2026 and in 2026/2027
6
B
ING-INF/05
6
B
INF/01
6
B
INF/01
6
B
ING-INF/05
6
B
INF/01
6
B
ING-INF/05
Tra gli anni: 1°- 2°
2 courses among (mutually exclusive with the previous ones):
- 1st year - Knowledge representation, Natural language processing, HCI - multimodal systems - delivered in 2025/2026
- 2nd year - AI & cloud, Visual intelligence - delivered in 2026/2027
- 1st and 2nd year - Advanced programming for AI, Computer Vision & deep learning, Statistical learning - delivered in 2025/2026 and in 2026/2027
6
C
ING-INF/05
6
C
INF/01
6
C
INF/01
6
C
ING-INF/05
6
C
INF/01
6
C
ING-INF/05
6
C
INF/01
6
C
ING-INF/06
Tra gli anni: 1°- 2°
2 courses among the following
- A.A. 2025/2026 Network Science not activated
- A.A. 2026/2027: Complex Systems not activated
6
C
ING-INF/05
6
C
INF/01
6
C
FIS/02
6
C
INF/01
6
C
MAT/08
6
C
MAT/09
6
C
INF/01 ,ING-INF/05
6
C
INF/01
6
C
FIS/02
6
C
INF/01
6
C
MAT/06
6
C
INF/01
Tra gli anni: 1°- 2°
1 course among the following
6
C
SECS-S/06
6
C
M-FIL/02
6
C
IUS/17
6
C
IUS/02
6
C
IUS/08
6
C
IUS/04
6
C
IUS/01
6
C
IUS/07
Tra gli anni: 1°- 2°
Further activities: 3 CFU training and 3 CFU further language skill or 6 CFU training. International students (i.e. students who do not have an Italian bachelor’s degree) must compulsorily gain 3 CFU of Italian language skills (at least A2 level) and 3 CFU training.
6
F
-
Tra gli anni: 1°- 2°
12
D
-

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.

A Attività di base
B Attività caratterizzanti
C Attività formative affini o integrative
D Attività a scelta dello studente
E Prova finale
F Altre attività formative
S Stage e tirocini presso imprese, enti pubblici o privati, ordini professionali

Explainable AI  (2026/2027)

Codice insegnamento

4S010683

Docente

Daniele Meli

Coordinatore

Daniele Meli

Crediti

6

Lingua di erogazione

Inglese en

Settore Scientifico Disciplinare (SSD)

INF/01 - INFORMATICA

Periodo

I semestre dal 1 ott 2026 al 29 gen 2027.

Corsi Singoli

Autorizzato

Orario Lezioni Seminari 0

Obiettivi di apprendimento

Questo corso approfondisce i metodi di intelligenza artificiale (AI), con l'obiettivo di fornire i mezzi per comprendere il ""perché"" e il ""come"" dei loro risultati. Dopo aver introdotto i concetti di base dell'AI spiegabile, inclusa una tassonomia dei metodi esistenti, verranno illustrati in dettaglio i principali approcci e algoritmi allo stato dell'arte. Particolare enfasi sarà data alle tecniche di AI che possono essere spiegate o interpretate per costruzione, ovvero che garantiscono una facile leggibilità da parte degli esseri umani, aumentando la fiducia nell'AI.
In questo contesto, l'attenzione sará focalizzata su analisi causale e approcci simbolici e neurosimbolici.
La parte teorica sarà integrata da sessioni pratiche in cui concetti e algoritmi saranno implementati e/o applicati in specifici casi di studio.

Prerequisiti e nozioni di base

Reinforcement learning (model-free e model-based); Basi di statistica; basi di logica proposizionale / primo ordine / temporale e ragionamento automatico.

Programma

spiegabilità e interpretabilità per AI;
concetti e algoritmi per l'analisi causale di dati sotto forma di serie temporali (causalità di Granger, principali assunzioni di causalità, principali algoritmi incluso PCMCI), con applicazione all'identificazione di modelli e all'identificazione di anomalie;
pianificazione autonoma basata su metodi formali (programmazione logica, answer set programming);
apprendimento di spiegazioni logiche a partire dai dati (programmazione logica induttiva, induzione nella semantica degli answer set), con applicazione all'interpretazione delle policy di agenti di reinforcement learning;
pianificazione e apprendimento neurosimbolico, combinando tecniche di reinforcement learning con tecniche basate sulla programmazione logica e sull'induzione logica;
spiegabilitá a posteriori mediante controesempi e applicazione al reinforcement learning

Modalità didattiche

Le lezioni di teoria saranno quasi sempre affiancate da lezioni pratiche al computer con tutor, per implementare i concetti e i principali algoritmi

Modalità di verifica dell'apprendimento

L'esame consisterá di due parti:
1. esame orale sulla teoria OPPURE progetto o approfondimento di ricerca (articolo scientifico) da concordare con il docente
2. verifica degli esercizi laboratoriali

Le/gli studentesse/studenti con disabilità o disturbi specifici di apprendimento (DSA), che intendano richiedere l'adattamento della prova d'esame, devono seguire le indicazioni riportate QUI

Criteri di valutazione

conoscenza teorica e pratica dei principali concetti ed algoritmi visti a lezione e nei laboratori

Criteri di composizione del voto finale

40% orale / progetto / articolo; 60% lab

Lingua dell'esame

English