48
ELETTROTECNICA
REGGIO DI CALABRIA
Dati Generali
Periodo di attività
Syllabus
Obiettivi Formativi
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). 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 modelli, basati su metodi di Deep Learning, per applicazioni in ambito ingegneristico. Tale obiettivo viene perseguito anche attraverso esercitazioni laboratoriali durante le quali lo studente avrà modo di progettare i propri esperimenti, costruire dataset di training e implementare a addestrare modelli di deep learning.
AUTONOMIA DI GIUDIZIO:
A fine corso, e in particolare al superamento dell’esame, lo studente sarà in grado, in completa autonomia, di progettare, implementare e testare modelli di deep learning al fine di raggiungere un obiettivo prefissato. 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, implementare e testare modelli basati su neurali artificiali, sia di tipo shallow sia di tipo deep. Sarà in grado di costruire e pre-processare un dataset per l’addestramento delle reti neurali. 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.
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 di deep learning; 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 consta nella discussione di un elaborato progettuale, svolto autonomamente oppure in gruppo, e nella prova orale.
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.
La prova orale è volta a verificare il livello di padronanza delle conoscenze degli argomenti proposti durante il corso nonché la capacità di esposizione dei contenuti teorici della disciplina.
Il voto finale sarà attribuito considerando la valutazione dell’elaborato e l’esito della discussione orale, 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 non possiede una conoscenza adeguata degli argomenti trattati durante il corso.
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)
Contenuti
IL NEURONE E LE RETI NEURALI ARTIFICIALI
Fondamenti di ingegneria neurale. Panoramica sulle applicazioni dell’ingegneria neurale. Proprietà generali dei sistemi di elaborazione neurale. Modello di neurone biologico. Neurone artificiale di McCulloch-Pitts. Discesa del gradiente. 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. Natura statistica del processo di apprendimento. Architetture di rete: modelli feedforward. Modelli competitivi e auto-organizzativi. Rappresentazione della conoscenza. Visualizzazione dei processi nelle reti neurali. Perceptrons. Multi-layer Perceptrons. Radial Basis Functions. Reti ricorrenti. Mappe auto-organizzanti. Modelli teorici dell'informazione. Elaborazione temporale con reti neurali.
DEEP LEARNING
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.
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).
AutoEncoders (AE), Stacked AutoEncoders. Concetti fondamentali sui Transformers. Concetti fondamentali sulle reti generative.
ESPERIENZE DI LABORATORIO
Utilizzo del Deep Learning toolbox di Matlab e/o Python. Sviluppo dei modelli trattati durante il corso.
SEMINARI E VISITE TECNICHE
Durante il corso si svolgeranno dei seminari tematici relativi ad applicazioni di frontiera dell’AI e visite tecniche con un focus particolare alle applicazioni nell’ambito dell’ingegneria neurale.