ID:
70440
Tipo Insegnamento:
Opzionale
Durata (ore):
64
CFU:
8
SSD:
INFORMATICA
Url:
INGEGNERIA INFORMATICA E DELL’AUTOMAZIONE/Sistemi informatici Anno: 1
Anno:
2024
Dati Generali
Periodo di attività
Secondo Semestre (24/02/2025 - 05/06/2025)
Syllabus
Obiettivi Formativi
L'obiettivo dell'insegnamento è apprendere le metodologie e tecniche basate su reti neurali deep per la realizzazione di applicazioni di Intelligenza Artificiale, acquisendo la capacità di applicare tali tecniche per risolvere problemi complessi.
Le principali conoscenze acquisite saranno:
- principali architetture di reti neurali deep (reti convoluzionali, ricorrenti, transformer);
- modalità di addestramento dei modelli basati su reti neurali;
- tecniche di ottimizzazione e modellazione delle reti neurali
Le principali abilità (ossia la capacità di applicare le conoscenze acquisite) saranno:
- analizzare problemi tipici dei sistemi di Intelligenza Artificiale, quali classificazione e regressione considerando differenti tipologie di dato, e proporre possibili soluzioni basate su tecniche di deep learning per la loro risoluzione;
- sviluppare modelli di reti neurali per risolvere compiti di classificazione e regressione.
Le principali conoscenze acquisite saranno:
- principali architetture di reti neurali deep (reti convoluzionali, ricorrenti, transformer);
- modalità di addestramento dei modelli basati su reti neurali;
- tecniche di ottimizzazione e modellazione delle reti neurali
Le principali abilità (ossia la capacità di applicare le conoscenze acquisite) saranno:
- analizzare problemi tipici dei sistemi di Intelligenza Artificiale, quali classificazione e regressione considerando differenti tipologie di dato, e proporre possibili soluzioni basate su tecniche di deep learning per la loro risoluzione;
- sviluppare modelli di reti neurali per risolvere compiti di classificazione e regressione.
Prerequisiti
E’ necessario avere acquisito e assimilato conoscenze di base di programmazione, fornite dai corsi di fondamenti di informatica e programmazione.
Sono inoltre consigliate conoscenze di base di Machine Learning, fornite, ad esempio, dal corso Machine learning e data mining:
- tipologie di machine learning (supervisionato, non supervisionato)
- principali applicazioni del machine learning supervisionato (classificazione, regressione)
- principali metriche (accuracy, precision, recall, ecc.)
Le conoscenze di Machine Learning necessarie verranno comunque brevemente introdotte durante il corso.
Sono inoltre consigliate conoscenze di base di Machine Learning, fornite, ad esempio, dal corso Machine learning e data mining:
- tipologie di machine learning (supervisionato, non supervisionato)
- principali applicazioni del machine learning supervisionato (classificazione, regressione)
- principali metriche (accuracy, precision, recall, ecc.)
Le conoscenze di Machine Learning necessarie verranno comunque brevemente introdotte durante il corso.
Metodi didattici
L'attività didattica è svolta con lezioni teoriche ed esercitazioni pratiche di tipo laboratoriale.
Tutte le lezioni saranno svolte in presenza, secondo orario consultabile online.
Tutte le lezioni saranno svolte in presenza, secondo orario consultabile online.
Verifica Apprendimento
La verifica dell’apprendimento avverrà tramite valutazione di:
- una prova scritta (quattro domande a risposta aperta) a fine corso, obbligatoria per poter superare il corso;
- una presentazione orale di un progetto assegnato dal docente.
In particolare, la prova scritta avrà l'obiettivo di testare le conoscenze teoriche acquisite, non verranno richiesti nè esercizi, nè la scrittura di codice. La durata della prova scritta sarà di 90 minuti, circa 20 minuti per domanda. La prova varrà fino a 30 trentesimi.
Il progetto verrà svolto in gruppi scelti d'accordo con il docente. L'assegnazione del progetto da parte del docente avverrà in aula verso la fine del corso. Verrà data agli studenti la possibilità di lavorare in aula alcune lezioni, supportati dal docente. L'ultima lezione, il progetto dovrà essere discusso. La risoluzione del progetto e la sua discussione saranno valutate 2 trentesimi.
La discussione deve essere eseguita dall'intero gruppo. In caso di problemi o necessità diverse, verranno organizzate soluzioni alternative per la discussione.
- una prova scritta (quattro domande a risposta aperta) a fine corso, obbligatoria per poter superare il corso;
- una presentazione orale di un progetto assegnato dal docente.
In particolare, la prova scritta avrà l'obiettivo di testare le conoscenze teoriche acquisite, non verranno richiesti nè esercizi, nè la scrittura di codice. La durata della prova scritta sarà di 90 minuti, circa 20 minuti per domanda. La prova varrà fino a 30 trentesimi.
Il progetto verrà svolto in gruppi scelti d'accordo con il docente. L'assegnazione del progetto da parte del docente avverrà in aula verso la fine del corso. Verrà data agli studenti la possibilità di lavorare in aula alcune lezioni, supportati dal docente. L'ultima lezione, il progetto dovrà essere discusso. La risoluzione del progetto e la sua discussione saranno valutate 2 trentesimi.
La discussione deve essere eseguita dall'intero gruppo. In caso di problemi o necessità diverse, verranno organizzate soluzioni alternative per la discussione.
Testi
Le seguenti voci sono un elenco di fonti da sfruttare per approfondire e accompagnare lo studio.
Lo studio del materiale didattico fornito tramite Google Classroom è sufficiente al superamento dell'esame.
Bibliografia:
- Jake VanderPlas. Python data science handbook: essential tools for working with data. O'Reilly Media, Inc., 2016.
- Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep learning. MIT press, 2016.
Sitografia:
- https://jakevdp.github.it/PythonDataScienceHandbook/
- https://www.tensorflow.org
- https://keras.io/
Lo studio del materiale didattico fornito tramite Google Classroom è sufficiente al superamento dell'esame.
Bibliografia:
- Jake VanderPlas. Python data science handbook: essential tools for working with data. O'Reilly Media, Inc., 2016.
- Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep learning. MIT press, 2016.
Sitografia:
- https://jakevdp.github.it/PythonDataScienceHandbook/
- https://www.tensorflow.org
- https://keras.io/
Contenuti
Introduzione a Python
Introduzione Machine Learning
- Classificazione
- Regressione (Logistic regression)
Introduzione alle Reti Neurali
- Struttura, shallow/deep
- Introduzione Keras/Tensorflow
- Backpropagation + Gradient Descent
- Regularization
- Practical Methods
Convolutional NN + architetture significative
Recurrent/Recursive NN + architetture significative
Applicazioni pratiche e direzioni di ricerca
- Computer Vision, Object Detection
- Autoencoders
- GAN
- Transfer Learning
- Transformer e Generative AI
Introduzione Machine Learning
- Classificazione
- Regressione (Logistic regression)
Introduzione alle Reti Neurali
- Struttura, shallow/deep
- Introduzione Keras/Tensorflow
- Backpropagation + Gradient Descent
- Regularization
- Practical Methods
Convolutional NN + architetture significative
Recurrent/Recursive NN + architetture significative
Applicazioni pratiche e direzioni di ricerca
- Computer Vision, Object Detection
- Autoencoders
- GAN
- Transfer Learning
- Transformer e Generative AI
Lingua Insegnamento
ITALIANO
Altre informazioni
Tutti gli appelli pubblicati per la prova scritta saranno verbalizzanti. Lo studente riceverà notifica del voto, comprendente eventuali punti ottenuti con l'attività progettuale, via email e dovrà esplicitamente accettarlo o rifiutarlo collegandosi alla propria area personale sul portale UNIFE. Una volta che lo studente avrà accettato il voto proposto, questo sarà verbalizzato automaticamente sul libretto. I voti NON esplicitamente rifiutati saranno considerati accettati e verbalizzati. I voti NON visualizzati NON saranno verbalizzati.
Corsi
Corsi
INGEGNERIA INFORMATICA E DELL’AUTOMAZIONE
Laurea Magistrale
2 anni
No Results Found
Persone
Persone
Docenti di ruolo di IIa fascia
No Results Found