ELECTIVE IN ARTIFICIAL INTELLIGENCE I

Obiettivi formativi

Obiettivi generali: L'obiettivo del corso, che è il più avanzato all'interno della Laurea Magistrale in Intelligenza Artificiale e Robotica, e' fornire una panoramica applicativa ai seguenti temi di ricerca: metodi di apprendimento nella visione computazionale, riconoscimento di modelli, interazione persona-robot e robot cognitivi. Gli argomenti sono esposti da ricercatori attivi nei campi indicati allo scopo di presentare allo studente problemi di ricerca e temi di applicazione rilevanti e recenti nel campo dell'Intelligenza Artificiale e della Robotica. A tal fine, i corsi comprendono sia la presentazione e la discussione di articoli scientifici, sia un lavoro progettuale avanzato. L'obiettivo di apprendimento del corso e' fornire le conoscenze necessarie ad affrontare un lavoro di ricerca in questi campi usando degli strumenti pratici per la validazione sperimentale. Obiettivi specifici: Conoscenza e comprensione: Il corso e' il piu' avanzato in The Master for Artificial Intelligence e Robotica ed offre una panoramica di diversi argomenti di ricerca, quali: metodi di apprendimento nella visione computazionale, riconoscimento di pattern, interazione persona-robot, e ragionamento automatico nei robot. Gli argomenti sono coperti da ricercatori attivi sul campo e con lo scopo di introdurre lo studente a problemi di ricerca e temi di applicazione recenti e rilevanti in Intelligenza Artificiale e Robotica. Applicare conoscenza e comprensione: Il corso fornisce le conoscenze necessarie ad affrontare un lavoro di ricerca in questi campi usando degli strumenti pratici per la validazione sperimentale. Capacita' critiche e di giudizio: Il corso propone metodi avanzati per studiare, comprendere e applicare risultati riportati su articoli scientifici, ed integrare tali risultati per realizzare sistemi innovativi di Intelligenza Artificiale. Lo studente apprende come usare risultati presenti in letteratura come base per nuove ricerche. Capacita' comunicative: Le attivita' di gruppo in classe e la necessita' di fare delle presentazioni alla classe permettono allo studente di maturare la capacita' di comunicare e condividere le conoscenze acquisite e confrontarsi con gli altri sui temi del corso. Capacita' di apprendimento: Oltre alle classiche capacita' di apprendimento fornite dallo studio teorico del materiale didattico, le modalita' di svolgimento del corso, stimolano lo studente all'approfondimento autonomo di alcuni argomenti presentati nel corso, al lavoro di gruppo, e all'applicazione concreta delle nozioni e delle tecniche apprese durante il corso.

Canale 1
CHRISTIAN NAPOLI Scheda docente

Programmi - Frequenza - Esami

Programma
Italiano: Il corso "ELECTIVE IN ARTIFICIAL INTELLIGENCE" è strutturato in quattro moduli principali: Introduzione e Presentazione del Corso: In questo modulo, verranno presentati gli obiettivi del corso, le aspettative e le risorse disponibili. Gli studenti riceveranno una panoramica delle principali tematiche che saranno trattate durante il corso, con un'introduzione ai concetti fondamentali di intelligenza artificiale, Machine Learning e Deep Learning. Preprocessing e Trasformazione del Dominio per il Machine Learning Avanzato: Questo modulo esplorerà le tecniche di preprocessing dei dati essenziali per la costruzione di modelli di apprendimento automatico efficaci. Verranno trattati argomenti come la normalizzazione, la standardizzazione, la gestione dei dati mancanti e le tecniche di trasformazione del dominio. Gli studenti impareranno a preparare i dati in modo da migliorare le prestazioni dei modelli. Machine Learning Avanzato e Deep Learning: In questo modulo, verranno approfonditi concetti avanzati di Machine Learning, incluse tecniche di ottimizzazione e regolarizzazione. Inoltre, si esploreranno in dettaglio le architetture di Deep Learning, come le reti neurali convoluzionali, ricorrenti e le reti neurali profonde, con applicazioni pratiche in diversi settori. Deep Learning Geometrico: L'ultimo modulo sarà dedicato al Deep Learning Geometrico, un campo emergente che unisce la geometria e l'apprendimento automatico. Gli studenti esploreranno come utilizzare grafi e altre strutture geometriche per costruire modelli di apprendimento in grado di catturare informazioni strutturali complesse. Verranno discussi casi d'uso avanzati e applicazioni in contesti reali.
Prerequisiti
Python, elements of programming, machine learning, computer vision.
Testi di riferimento
"Deep Learning" di Ian Goodfellow, Yoshua Bengio, e Aaron Courville - Questo testo fornisce una base solida sui concetti di Deep Learning, coprendo sia gli aspetti teorici che pratici, ed è considerato un riferimento fondamentale nel campo. "Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges" di Michael M. Bronstein, Joan Bruna, Yann LeCun, Arthur Szlam, e Pierre Vandergheynst - Questo libro esplora l'intersezione tra la geometria e il Deep Learning, fornendo una panoramica approfondita delle tecniche di Deep Learning Geometrico. "Pattern Recognition and Machine Learning" di Christopher M. Bishop - Un testo essenziale per comprendere i fondamenti del Machine Learning avanzato e le tecniche di riconoscimento di pattern, utilizzato come riferimento per molte delle metodologie trattate nel corso. Materiale didattico fornito dal docente - Dispense, articoli scientifici e risorse aggiuntive saranno resi disponibili agli studenti per integrare lo studio e approfondire argomenti specifici trattati durante il corso.
Modalità insegnamento
Lectures will be held online
Frequenza
In presenza, obbligatoria per sostenere l'esame di tipo A
Modalità di esame
Exam A) Students that have presented their project during the course: Project + report (in the form of a scientific paper) B) Students that have NOT presented their project during the course: Project + report (in the form of a scientific paper) + oral exam
Bibliografia
TEXTBOOKS FOR REFERENCE Richard Szeliski Computer vision: algorithms and applications Springer Science & Business Media, 2019 Peter Corke Robotics, vision and control Springer, 2017.
Modalità di erogazione
Le lezioni si svolgeranno in aula
  • Anno accademico2025/2026
  • CorsoArtificial Intelligence and Robotics - Intelligenza Artificiale e Robotica
  • CurriculumCurriculum unico
  • Anno2º anno
  • Semestre1º semestre
  • SSDING-INF/05
  • CFU6