48
ELETTROTECNICA
REGGIO DI CALABRIA
Dati Generali
Periodo di attività
Syllabus
Obiettivi Formativi
1) Comprendere i principi fondamentali dell’ingegneria neurale e dell’intelligenza artificiale, con particolare riferimento ai modelli di neurone biologico e artificiale e ai principali paradigmi di apprendimento automatico.
2) Analizzare e progettare modelli di reti neurali artificiali e di deep learning, comprendendone architetture, processi di apprendimento e principali applicazioni, con attenzione anche ai metodi di explainable AI.
3) Applicare strumenti e metodi di intelligenza artificiale in contesti di ingegneria neurale, sviluppando e sperimentando modelli di reti neurali in ambiente Matlab/Python attraverso attività di laboratorio.
Prerequisiti
Conoscenze di base dell'analisi matematica, risoluzione di sistemi lineari di equazioni, calcolo di derivate, conoscenza delle matrici e delle operazioni matriciali. Concetti fondamentali di statistica e calcolo delle probabilità.
Metodi didattici
Lo svolgimento del corso prevede: lezioni teoriche frontali; esercitazioni pratiche dedicate all’implementazione di modelli AI; esercitazioni laboratoriali per l’acquisizione e relativa elaborazione di bio-segnali; seminari specialistici; visite tecniche. Le lezioni sono caratterizzate da una continua interazione docente-studente volta a promuovere un apprendimento attivo.
Verifica Apprendimento
L’esame consiste in una prova orale, che comprende la discussione degli argomenti oggetto del programma e la discussione di un elaborato, svolto autonomamente oppure in gruppo.
La discussione degli argomenti oggetto del programma è volta a verificare il livello di padronanza dei concetti teorici proposti durante il corso nonché la capacità di esposizione dei contenuti della disciplina.
La discussione dell’elaborato è volta a valutare l’autonomia e le capacità critiche sviluppate dallo studente nonché il rigore metodologico nella progettazione di modelli e algoritmi.
Il voto finale sarà attribuito secondo il seguente criterio di valutazione:
30 - 30 e lode: conoscenza completa, approfondita e critica degli argomenti, ottima proprietà di linguaggio, completa ed originale capacità interpretativa, piena capacità di applicare autonomamente le conoscenze acquisite;
27 - 29: conoscenza completa e approfondita degli argomenti, piena proprietà di linguaggio, completa ed efficace capacità interpretativa, in grado di applicare autonomamente le conoscenze per risolvere i problemi proposti;
24 - 26: conoscenza degli argomenti con un buon grado di apprendimento, buona proprietà di linguaggio, corretta e sicura capacità interpretativa, capacità di applicare in modo corretto la maggior parte delle conoscenze per risolvere i problemi proposti;
21 - 23: conoscenza adeguata degli argomenti, ma mancata padronanza degli stessi, soddisfacente proprietà di linguaggio, corretta capacità interpretativa, limitata capacità di applicare autonomamente le conoscenze per risolvere i problemi proposti;
18 - 20: conoscenza di base degli argomenti principali, conoscenza di base del linguaggio tecnico, capacità interpretativa sufficiente, capacità di applicare le conoscenze basilari acquisite;
Insufficiente: Lo studente dimostra una conoscenza scarsa e frammentaria della materia, non conosce i contenuti essenziali e manifesta numerose ed estese lacune.
Testi
José C. Principe, Neural and Adaptive Systems: Fundamentals Through Simulations, Wiley
Ian Goodfellow, Yoshua Bengio and Aaron Courville, “Deep Learning” (www.deeplearningbook.org), An MIT Press book
Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2021). Dive into deep learning. arXiv preprint arXiv:2106.11342 (https://d2l.ai/index.html)
Paul L. Nunez and Ramesh Srinivasan, Electric fields of the brain - the Neurophysics of EEG (second edition), Oxford University Press
Sani-Chambers, EEG Signal Processing, IEEE- Wiley
Simon Haykin, Neural Networks, IEEE Press
Contenuti
Programma del Corso
(0.5 CFU) FONDAMENTI DI INGEGNERIA NEURALE E INTELLIGENZA ARTIFICIALE
Fondamenti di ingegneria neurale. Introduzione all’intelligenza artificiale, al machine learning, alle reti neurali artificiali e al deep learning. Panoramica sulle applicazioni dell’intelligenza artificiale all’ingegneria neurale.
(1.5 CFU) IL NEURONE E LE RETI NEURALI ARTIFICIALI
Proprietà generali dei sistemi di elaborazione neurale. Modello di neurone biologico. Metodo della discesa del gradiente. Neurone artificiale di McCulloch-Pitts. Non linearità: sigmoidale, tangente iperbolica, funzioni di attivazione di ReLu. Processo di apprendimento. Correzione dell'errore. Regola Widrow-Hopf. Hebbian Learning. Apprendimento competitivo. Apprendimento supervisionato e non supervisionato. Apprendimento con rinforzo. Architetture di rete: modelli feedforward. Modelli competitivi e auto-organizzanti. Rappresentazione della conoscenza. Visualizzazione dei processi nelle reti neurali. Perceptrons. Multi-layer Perceptrons. Reti ricorrenti. Mappe auto-organizzanti. Elaborazione temporale con reti neurali.
(2 CFU) DEEP LEARNING ED EXPLAINABLE AI
Modelli Deep e Shallow. Deep Feed Forward Neural Networks. Convolutional Neural Networks. Visualizzazione e comprensione delle reti convoluzionali, visualizzazione di modelli di classificazione delle immagini e saliency maps, comprensione delle reti neurali attraverso la deep visualization.
AutoEncoders (AE), Stacked AutoEncoders. Variational AutoEncoders. Concetti fondamentali sui Transformers. Concetti fondamentali sulle reti generative.
Metodi di Explainable Machine Learning. Spiegabilità del comportamento della rete tramite Occlusion sensivity analysis, gradient-weighted class activation mapping (Grad-CAM), Local interpretable model-agnostic explanations (LIME).
(2 CFU) ESPERIENZE DI LABORATORIO
Introduzione al Matlab e ai toolbox per l’ingegneria neurale. Sviluppo dei modelli AI trattati durante il corso in Matlab/Python.
Risultati attesi
CONOSCENZA E COMPRENSIONE:
Il corso si propone di completare la preparazione dello studente arricchendola di conoscenze e competenze nell’ambito dell’intelligenza artificiale (con particolare attenzione alle tecniche di deep learning), focalizzando l’attenzione sugli aspetti maggiormente collegati alle neuroscienze. Vengono proposte applicazioni all'elaborazione di segnali elettroencefalografici (EEG) sia per discriminazione di stati cerebrali sia per Brain Computer Interface (BCI). Lo studente, in autonomia, svolgerà un proprio elaborato suggerito dal docente.
CAPACITA' DI APPLICARE CONOSCENZA E COMPRENSIONE:
Il corso è orientato a far acquisire allo studente competenze sulla progettazione e sviluppo di algoritmi, basati su metodi di Deep Learning, per applicazioni nell’ambito delle neuroscience. Tale obiettivo viene perseguito anche attraverso esercitazioni laboratoriali durante le quali lo studente avrà modo di progettare i propri esperimenti, acquisire i segnali elettroencefalografici ed elaborarli.
AUTONOMIA DI GIUDIZIO:
A fine corso, e in particolare al superamento dell’esame, lo studente sarà in grado, in completa autonomia, di: definire paradigmi ed esperimenti di acquisizione di bio-segnali secondo quelli che sono gli obiettivi del proprio studio; progettare algoritmi per l’elaborazione dei segnali acquisiti al fine di raggiungere l’obiettivo dello studio. Lo studente potrà contare sul bagaglio di metodi trattati durante il corso nonché sulla propria capacità di approfondire autonomamente ulteriori metodi presenti in letteratura, grazie ad un’acquisita padronanza dei concetti fondamentali del deep learning.
ABILITA' COMUNICATIVE:
Attraverso una continua interazione docente-studente, il corso orienterà all’acquisizione del linguaggio proprio dell’intelligenza artificiale e della computational neuroscience, permettendo inoltre allo studente di affinare la capacità di esprimersi attraverso un linguaggio tecnico appropriato.
CAPACITA' DI APPRENDIMENTO:
Al superamento dell’esame, lo studente avrà acquisito la capacità di progettare algoritmi basati su reti neurali artificiali, sia di tipo shallow sia di tipo deep. Sarà in grado di definire paradigmi ed esperimenti per l’acquisizione di segnali elettroencefalografici (EEG) secondo quelli che sono gli obiettivi dello studio; acquisire tali segnali; elaborarli mediante algoritmi di Deep Learning sviluppati ad-hoc; integrare tali algoritmi con piattaforme per l’interfacciamento in tempo reale con il sistema di acquisizione EEG. Viceversa, l’applicazione pratica dei concetti teorici permetterà di comprenderli a fondo e rielaborarli; lo studente svilupperà così in generale un approccio teorico-pratico alle materie ingegneristiche.
Altre informazioni
Codice Teams: hj9xmnc