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
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
Insegnamenti | Crediti | TAF | SSD |
---|
Compulsory activities for Embedded & Iot Systems
Compulsory activities for Smart Systems & Data Analytics
2° Anno Attivato nell'A.A. 2022/2023
Insegnamenti | Crediti | TAF | SSD |
---|
Compulsory activities for Embedded & Iot Systems
Compulsory activities for Robotics Systems
Compulsory activities for Smart Systems & Data Analytics
Insegnamenti | Crediti | TAF | SSD |
---|
Compulsory activities for Embedded & Iot Systems
Compulsory activities for Smart Systems & Data Analytics
Insegnamenti | Crediti | TAF | SSD |
---|
Compulsory activities for Embedded & Iot Systems
Compulsory activities for Robotics Systems
Compulsory activities for Smart Systems & Data Analytics
Insegnamenti | Crediti | TAF | SSD |
---|
3 modules among the following
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.
Machine learning & artificial intelligence (2021/2022)
Codice insegnamento
4S009001
Crediti
9
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
L'insegnamento è organizzato come segue:
Teoria
Laboratorio
Obiettivi formativi
Il corso intende fornire i fondamenti teorici e descrivere le metodologie principali relative all’area di apprendimento automatico (machine learning), e più in generale all’area di Intelligenza Artificiale. In particolare, il corso si occuperà di descrivere i metodi di analisi, riconoscimento e classificazione automatica di dati di qualsiasi tipo, detti tipicamente pattern. Queste discipline sono alla base, sono utilizzate, e spesso completano molte altre discipline ed aree applicative di larga diffusione, quali la visione computazionale, la robotica, l’elaborazione delle immagini, data mining, l’analisi ed interpretazione di dati medicali e biologici, la bioinformatica, biometria, videosorveglianza, il riconoscimento del parlato e del testo e numerose altre. Più precisamente, le metodologie che verranno introdotte nel corso sono spesso parte integrante delle aree applicative su citate, e ne costituiscono la parte “intelligente” con l’obiettivo finale di comprendere (classificare, riconoscere, analizzare) i dati provenienti dal processo di interesse (siano essi segnali, immagini, stringhe, categoriali, o di altro tipo). A partire dalla tipologia di dati misurati, verrà considerata l’intera pipeline di analisi quali l’estrazione e selezione di caratteristiche; metodi di apprendimento automatico supervisionato e non supervisionato, tecniche di analisi parametriche e non, e i protocolli di validazione. Verranno infine analizzati in generale le recenti tecniche di apprendimento “profondo” (deep learning) con alcuni casi studio. In conclusione, il corso si propone di fornire allo studente un insieme di fondamenti teorici e strumenti algoritmici per affrontare le problematiche che si possono incontrare in settori industriali strategici ed innovativi quali quelli che coinvolgono la robotica, i sistemi cyber fisici, l’elaborazione di grandi quantità di dati (big data), digital manufacturing, l’ispezione visuale di prodotti/processi di produzione e l’automazione in genere.
Programma
Il corso intende fornire i fondamenti teorici e metodi principali relativi all’analisi di dati, non necessariamente immagini, in breve verranno trattati teoria e metodi di classificazione statistica.
Questi temi sono propedeutici alle tecniche più recenti di Deep Learning che verranno introdotte nella parte finale del corso.
Contenuti del corso
Introduzione: cos’è, a cosa serve, sistemi, applicazioni
Teoria della decisione di Bayes
Stima dei parametri e metodi non parametrici
Classificatori lineari, non lineari e funzioni discriminanti
Trasformazioni lineari e metodo di Fisher, estrazione e selezione delle feature, Principal Component Analysis
Misture di Gaussiane e algoritmo Expectation-Maximization
Metodi Kernel e Support Vector Machines
Hidden Markov Models
Reti neurali artificiali
Metodi di classificazione non supervisionata (clustering)
Combinazione di classificatori
Apprendimento profondo
Temi avanzati di metodi di apprendimento profondo
Modalità d'esame
Svolgimento di un progetto, con relazione ed esposizione orale.
2 persone max, 3 persone per progetti più complessi (da concordare col docente)
L’esposizione del progetto include una parte di domande volte alla valutazione della conoscenza dei contenuti del corso.