| INTELLIGENZA ARTIFICIALE APPLICATA AI PROCESSI INDUSTRIALI
(obiettivi)
"Negli ultimi 10 anni, l’intelligenza artificiale (IA) si è affermata in modo dirompente all’interno del panorama scientifico, come una tecnologia in grado di risolvere in modo “semplice” problemi precedentemente considerati insormontabili, fino ad arrivare a coinvolgere molti aspetti della nostra vita quotidiana. Ciononostante, ad oggi, non sono in molti a sapere cosa sia veramente l’IA, anche in ambiti scientifico-tecnologici, dove spesso viene utilizzata senza capirne a fondo le potenzialità, i risultati ottenuti e i rischi.
Il corso ha l’obiettivo di far conoscere e comprendere approfonditamente agli studenti questa tecnologia, dalla sua definizione e i suoi utilizzi, agli aspetti, sia teorici che pratici, che la contraddistinguono. Al superamento del corso, gli studenti non solo sapranno utilizzare le tecniche e i modelli più efficienti di IA, ma saranno anche in grado di capirle in profondità e saperle interpretare.
Dopo una prima parte dedicata all’approfondimento degli aspetti teorici di probabilità e statistica che soggiacciono all’IA, seguirà una seconda parte in cui verranno introdotte le basi dell’intelligenza artificiale, insieme ad alcuni degli strumenti digitali attualmente a disposizione per un suo utilizzo operativo. Questa sarà a sua volta suddivisa in due parti, la prima inerente alle tecniche e agli algoritmi di machine learning e la seconda alle reti neurali e al deep learning.
Durante il corso, saranno tenuti anche alcuni seminari da esperti del settore, provenienti sia dall’ambito della ricerca che da quello dell’industria, per mostrare agli studenti alcune delle realtà attuali che fanno uso massiccio dell’analisi dati.
Gli obbiettivi formativi attesi sono:
1) la conoscenza dei contenuti del corso (descrittore di Dublino n°1);
2) la capacità di applicare tale conoscenza a problematiche reali (descrittore di Dublino n°2);
3) l’autonomia di giudizio nel proporre approcci opportuni nella risoluzione dei problemi (descrittore di Dublino n°3);
4) la capacità di esporre con proprietà di linguaggio problemi e soluzioni inerenti alle tematiche trattate nel corso (descrittore di Dublino n°4);
5) lo sviluppo di capacità logico-deduttive che favoriscano l’autovalutazione e l’autoapprendimento (descrittore di Dublino n°5).
"
|
|
Codice
|
119627 |
|
Lingua
|
ITA |
|
Tipo di attestato
|
Attestato di profitto |
|
Crediti
|
6
|
|
Settore scientifico disciplinare
|
ING-INF/05
|
|
Ore Aula
|
48
|
|
Attività formativa
|
Attività formative affini ed integrative
|
Canale Unico
|
Docente
|
ZINGONI ANDREA
(programma)
• Introduzione al corso (2h): – Lezione + Seminari
o Definizione/i di intelligenza artificiale e tipologie di algoritmi
o Storia dell’IA dalle prime invenzioni alle tecniche state-of-the-art
o Utilizzi, benefici, criticità e problematiche legati all’IA
• Fondamenti di statistica e probabilità (16h) – Lezione
o Nozioni di base di statistica e calcolo combinatorio
o Nozioni di base di probabilità
o Probabilità marginale, congiunta e condizionata e concetto di indipendenza di un evento
o Teorema di Bayes e Teorema della Probabilità Totale
o Esperimenti composti e iterati
o Introduzione alle variabili aleatorie
o Variabili aleatorie continue e discrete
o Funzione di distribuzione e densità/massa di probabilità
o Variabili aleatorie notevoli
o Trasformazione di variabili aleatorie
o Parametri caratteristici di una variabile aleatoria
o Sistemi di variabili aleatorie
o Proprietà e parametri caratteristici di un sistema di variabili aleatorie
• Machine Learning (16h): – Lezione + Laboratorio di Matlab e Python + Seminari
o Introduzione all’utilizzo dell’IA
o Inferenza dei dati, allenamento, validazione e test di un algoritmo
o Problematiche connesse all’utilizzo dell’IA: bias e overfitting.
o PCA
o K-Means e Clustering gerarchico
o Classificatore Naïve Bayes e filtri anti-spam
o Regressione lineare e logistica
o Classificatore k-NN
o SVM
o Decision/regression tree e random forest
o Metodi di boosting: ADABoost, Gradient Boosting Machines (XGBoost)
• Fondamenti di reti neurali e deep learning (14h): – Lezione + Laboratorio di Python + Seminari
o Introduzione alle reti neurali
o Neurone artificiale, percettrone
o Dimensionamento di una rete neurale: parametri e iperparametri
o Funzione di attivazione (sigmoide, ReLu, softmax)
o Reti feedforward e allenamento: loss function, algoritmi di ottimizzazione e algoritmo di backpropagation
o Overfitting e regolarizzazione
o Reti ricorsive (RNN)
o Reti convoluzionali (CNN)
o Cenni sulle moderne frontiere del deep learning e sul reinforcement learning
(testi)
- "Teoria della probabilità e variabili aleatorie, con applicazioni all’ingegneria e alle scienze", di A. Bononi e G. Ferrari, ed. Esculapio, 2008.
- "Algoritmi per I’intelligenza artificiale”, di R. Marmo, ed. Hoepli, 2020.
- "Artificial intelligence: a modern approach" 4th ed., di S. Russel, P. Norvig, ed. Global Edition.
- “Hands-on machine learning with Scikit-learn, Keras & TensorFlow” 2nd ed., di A. Géron, O’Reilly ed.
- “Neural Networks and Deep Learning: a Textbook”, di C.C. Aggarwal, ed. Springer.
|
|
Date di inizio e termine delle attività didattiche
|
Dal al |
|
Modalità di erogazione
|
Tradizionale
|
|
Modalità di frequenza
|
Non obbligatoria
|
|
Metodi di valutazione
|
Prova scritta
Prova orale
|
|
|
