48
ELETTROTECNICA
REGGIO DI CALABRIA
Dati Generali
Periodo di attività
Syllabus
Obiettivi Formativi
CONOSCENZA E COMPRENSIONE:
Il corso si propone di fornire agli studenti una comprensione approfondita delle applicazioni ingegneristiche dell'intelligenza artificiale (AI) in vari settori tecnologici. Gli studenti esploreranno le tecniche fondamentali dell'AI, acquisendo le competenze necessarie per implementare soluzioni ingegneristiche basate su algoritmi intelligenti. Il corso include sia aspetti teorici che pratici, con esercizi e progetti mirati ad applicazioni reali dell'AI nel campo dell'ingegneria. Svariate applicazioni ingegneristiche saranno proposte, in ambito biomedicale, spaziale, energetico, ambientale. Lo studente 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 intelligenza artificiale, prevalentemente metodi di Machine Learning, per applicazioni ingegneristiche. Tale obiettivo viene perseguito anche attraverso esercitazioni laboratoriali durante le quali lo studente avrà modo di progettare i propri esperimenti per l’acquisizione dei dati e l’elaborazione degli stessi.
AUTONOMIA DI GIUDIZIO:
A fine corso, e in particolare al superamento dell’esame, lo studente sarà in grado, in completa autonomia, di definire i paradigmi dell’acquisizione dei dati necessari per l’esperimento e 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 dell’intelligenza artificiale.
ABILITA' COMUNICATIVE:
Attraverso una continua interazione docente-studente, il corso orienterà all’acquisizione del linguaggio proprio dell’intelligenza artificiale, del machine learning in particolare, permettendo 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 metodi di intelligenza artificiale, prevalentemente metodi di machine learning, per applicazioni di pertinenza dell’ingegneria, con particolare attenzione agli ambiti biomedicale, spaziale, energetico e ambientale. 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.
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 dei modelli; esercitazioni laboratoriali; 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 dei modelli AI.
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 accettabile degli argomenti trattati durante il corso.
Testi
Ian Goodfellow, Yoshua Bengio and Aaron Courville, “Deep Learning” (www.deeplearningbook.org), An MIT Press book
José C. Principe, “Neural and Adaptive Systems: Fundamentals Through Simulations”, Wiley
Simon Haykin, “Neural Networks”, IEEE Press
Contenuti
INTRODUZIONE ALL’AI E ALLE SUE APPLICAZIONI INGEGNERISTICHE
Fondamenti dell’intelligenza artificiale. Introduzione all’intelligenza artificiale e ai suoi sotto-ambiti, Machine Learning, Deep Learning. Introduzione alla comprensione di come i sistemi AI possano risolvere problemi, apprendere, interagire, prendere decisioni. Introduzione alle tecnologie basate su AI, sulla rappresentazione della conoscenza, sui modelli probabilistici e il machine learning. Esempi di applicazioni ingegneristiche dell’AI. Overview sulle applicazioni dell’AI negli ambiti del signal processing, della computer vision e del natural language processing (NLP). Metodi neurali e non. Tipi di apprendimento.
METODI DI MACHINE LEARNING
Apprendimento supervisionato. Proprietà generali dei sistemi di elaborazione neurale. Modello di neurone biologico. Neurone artificiale di McCulloch-Pitts. Regressione lineare. Metodo della discesa del gradiente. Funzioni di attivazione: sigmoidale, tangente iperbolica, ReLu. Architetture di rete: modelli feedforward. Perceptrons. Multi-layer Perceptrons. Metodi non neurali. Regressione logistica. Linear Discriminant Analysis. Gaussian Discriminant Analysis. Support Vector Machines.
Apprendimento non supervisionato. Clustering. Riduzione della dimensionalità. Hebbian Learning. Apprendimento competitivo. Modelli auto-organizzanti. Reti neurali di tipo Deep. Convolutional Neural Networks. Visualizzazione dei processi nelle reti neurali.
LABORATORIO DI APPLICAZIONI INGEGNERISTICHE DELL’AI
Progettazione e sviluppo di algoritmi per applicazioni ingegneristiche dell’AI in Matlab e/o Phyton. Acquisizione di segnali/immagini finalizzata alla costruzione dei dataset necessari per il training/test degli algoritmi. Costruzione del dataset di training e test, addestramento e validazione dei sistemi sviluppati.