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

Advanced Programming for AI (2025/2026)

Codice insegnamento

4S013605

Crediti

6

Coordinatore

Cigdem Beyan

Lingua di erogazione

Inglese en

Settore Scientifico Disciplinare (SSD)

ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI

Corsi Singoli

Autorizzato

MoodleMoodle Seminari 0

L'insegnamento è organizzato come segue:

Theory

Crediti

4

Periodo

II semestre

Docenti

Cigdem Beyan

Orario Lezioni
Laboratory

Crediti

2

Periodo

II semestre

Docenti

Cigdem Beyan

Orario Lezioni

Obiettivi di apprendimento

The Advanced Programming for AI module provides students with in-depth knowledge of programming languages, tools, and software architectures in the field of artificial intelligence, with a strong focus on deep learning. The course is designed to enhance Python programming skills, with special emphasis on key frameworks such as TensorFlow, Keras, and PyTorch, alongside essential libraries like Scikit-learn, Pandas, Matplotlib, and SciPy for building learning architectures, data visualization, and model interpretation. Students will develop hands-on expertise in the core components of deep learning systems, covering essential concepts such as loss functions, activation functions, optimizers, regularization techniques, and batch normalization. The module also delves into advanced deep learning methodologies such as meta-learning, transfer learning, domain adaptation, continual learning, active learning, multi-task learning, and federated learning, as well as cutting-edge paradigms like Large Language Models and Visual Language Models.

Prerequisiti e nozioni di base

Gli studenti dovrebbero possedere una buona conoscenza di Python, dell’algebra e del machine/deep learning, poiché il corso affronta argomenti avanzati di deep learning.

Programma

APAI mira a fornire informazioni su linguaggi di programmazione, strumenti e architetture software emersi nel campo dell'intelligenza artificiale. Gli studenti miglioreranno le loro competenze di programmazione in Python, assembleranno moduli software, gestiranno modelli e pattern, e li distribuiranno su piattaforme cloud. Viene posta particolare enfasi su importanti framework come TensorFlow e PyTorch, insieme a librerie essenziali come Scikit-learn, Pandas, Matplotlib e SciPy utilizzate per la costruzione di architetture di apprendimento, la visualizzazione dei dati e l'interpretazione dei modelli.
Programma:
- Introduzione ai Framework di Apprendimento: TensorFlow, Keras, PyTorch
- Blocchi di Costruzione dell'Apprendimento: funzioni di perdita, funzioni di attivazione, ottimizzatori, problemi di vanishing gradients, batch normalization, regolarizzazione, dropout
- Modelli Personalizzati: tensori e operazioni, tensori e NumPy, conversioni di tipo, variabili, strutture dati, funzioni di perdita personalizzate, metriche personalizzate
- Caricamento e Preprocessing dei Dati: shuffling, parsing, preprocessing delle caratteristiche, concatenamento delle trasformazioni
- Metodologie Avanzate: meta-learning, transfer learning, domain adaptation, continual learning, active learning, knowledge distilaltion, self-supervised learning, Large Language Models (LLMs), Visual Language Models (VLMs)

Bibliografia

Vai alla bibliografia
Visualizza la bibliografia con Leganto, strumento che il Sistema Bibliotecario mette a disposizione per recuperare i testi in programma d'esame in modo semplice e innovativo.

Modalità didattiche

Lezioni frontali, esperienze di laboratorio e esercitazioni.

Modalità di verifica dell'apprendimento

Per superare l'esame, gli studenti devono dimostrare una comprensione approfondita dei principi alla base dei metodi per la programmazione di moduli basati sull'intelligenza artificiale. Devono articolare la programmazione dei moduli di intelligenza artificiale in modo chiaro e coerente, evitando divagazioni. Inoltre, devono applicare le conoscenze acquisite per risolvere problemi applicativi presentati attraverso esercizi, domande e progetti.
L'esame include una valutazione orale e una valutazione delle loro soluzioni agli esercizi di laboratorio. L'esame orale comprende sia concetti teorici sia esercizi pratici svolti in laboratorio. Inoltre, previo accordo con il docente, gli studenti sceglieranno di intraprendere un progetto rilevante e di presentare una relazione di progetto dettagliando i loro risultati. Il progetto sarà presentato contemporaneamente all'esame orale.

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 ed applicata delle tecniche insegnate nel corso; capacità critica di selezione delle tecniche in base al problema; capacità di utilizzo delle tecniche insegnate nel corso.

Criteri di composizione del voto finale

Il voto finale sarà calcolato come media aritmetica tra il voto del progetto e quello dell’esame orale sulla parte teorica del corso.

Lingua dell'esame

Inglese