| 1027171 | NETWORK INFRASTRUCTURES | 1º | 1º | 6 | ENG |
Obiettivi formativi Obiettivi generali:
Il corso è una overview generale sulle reti neurali, sia dal punto di vista metodologico che pratico. Gli studenti acquisiranno una forte competenza teorica e pratica su come le reti neurali funzionano e sono implementate, con particolare attenzione sui componenti più usati, e sulle attuali limitazioni.
Obiettivi specifici:
Dal punto di vista teorico, rivedremo il paradigma generale per la costruzione di modelli differenziabili che possono essere ottimizzati end-to-end con la discesa al gradiente. Successivamente, esamineremo i componenti essenziali per progettare architetture in grado di lavorare su immagini (convoluzioni), sequenze (recurrent layer) ed insiemi (transformers). L'ultima parte del corso si concentrerà su una selezione di importanti argomenti di ricerca, tra cui le reti neurali su grafi, l'apprendimento continuo e i modelli generativi.
Conoscenza e comprensione:
Alla fine del corso, lo studente avrà una ottima conoscenza di come le reti neurali funzionano in pratica, con la capacità di implementare nuovi componenti da zero, riutilizzare modelli esistenti o progettare nuove architetture per problemi al di là della panoramica del corso.
Abilità critiche e di giudizio:
Ci si aspetta che lo studente sia in grado di analizzare un nuovo problema che richiede l'apprendimento automatico e progettare la soluzione appropriata basata su una rete neurale, comprendendone sia i punti di forza che i limiti.
Abilità comunicative:
Il corso favorirà le abilità comunicative in termini di capacità di descrivere (in modo tecnico e non tecnico) la matematica alla base dei modelli, nonché di scrivere codice chiaro e comprensibile per la loro implementazione.
Abilità di apprendimento: al di là degli argomenti del corso, lo studente sarà in grado di studiare autonomamente nuovi argomenti di ricerca e di navigare la letteratura scientifica, oltre a saper comprendere punti di forza e debolezze delle attuali librerie software.
|
| 10606827 | REINFORCEMENT LEARNING | 1º | 1º | 6 | ENG |
Obiettivi formativi Obiettivi Generali
Il corso di Reinforcement Learning (RL) ha lo scopo di introdurre gli studenti alle tecniche fondamentali e avanzate del RL, un area di grande rilevanza nell'ambito dell'intelligenza artificiale e del machine learning. Gli studenti acquisiranno competenze per progettare e implementare algoritmi che permettano ai sistemi di apprendere e migliorare autonomamente attraverso l'esperienza, ottimizzando le loro decisioni in tempo reale.
Obiettivi Specifici
Gli studenti esploreranno i concetti chiave del RL, come le politiche di decisione, i processi decisionali di Markov, l'apprendimento Q, e l'apprendimento profondo rinforzato. Impareranno a:
Modellare problemi complessi attraverso l'approccio del RL.
Sviluppare e implementare algoritmi come Q-learning e Deep Q-Networks (DQN).
Applicare tecniche di RL in scenari reali come robotica, giochi, etc.
Conoscenza e Comprensione:
Conoscenza approfondita degli algoritmi base e avanzati di RL.
Comprensione dei modelli di apprendimento basati su ricompensa e delle loro applicazioni pratiche.
Capacità di interpretare i risultati degli algoritmi di RL e di valutarne l'efficacia in diversi contesti.
Applicazione di Conoscenza e Comprensione:
Utilizzo di framework software come TensorFlow o PyTorch per implementare e testare algoritmi di RL.
Analisi di case studies e progetti di ricerca attuali per capire l'applicazione del RL nel mondo reale.
Sviluppo di prototipi funzionali che utilizzano RL per risolvere problemi specifici.
Autonomia di Giudizio:
Gli studenti svilupperanno la capacità di valutare criticamente gli algoritmi di RL, considerando la loro applicabilità, efficienza, e potenziali bias. Saranno anche in grado di scegliere l'algoritmo più adatto per un determinato problema.
Abilità Comunicative:
Gli studenti impareranno a comunicare efficacemente i concetti di RL, le decisioni di design degli algoritmi e i risultati ottenuti, sia a un pubblico tecnico che a non esperti, utilizzando una varietà di mezzi comunicativi.
Capacità di Apprendimento Successivo:
Questo corso preparerà gli studenti a perseguire studi avanzati e ricerca in RL, fornendo le basi necessarie per affrontare problemi aperti e innovare nel campo. Gli studenti saranno incentivati a contribuire attivamente alla comunità scientifica attraverso pubblicazioni, conferenze e collaborazioni.
|
| 1052218 | PROBABILISTIC ROBOTICS | 1º | 1º | 6 | ENG |
Obiettivi formativi Obiettivi generali:
Acquisire conoscenza sugli strumenti di base per la stima dello stato in sistemi robotici.
Essere in grado do applicare tali strumenti a casi di studio reali ed implementare
soluzioni funzionanti.
Valutare le prestazioni e la qualita' di uno stimatore dello stato.
Il corso alterna teoria e pratica. Nelle lezioni pratiche agli studenti e' richiesto
il completamento di frammenti di codice di un sistema che rappresenta casi pratici.
Obiettivi specifici:
Conoscenza e comprensione:
- Manipolazione di distribuzioni di probabilita'
- Basi sulle tecniche di filtraggio (hisrogram filters, Gaussian filters, particle filters)
- Modello generale di un sistema non lineare stazionario e dinamico
- Formulazione densa e sparsa di algoritmi di minimizzazione (Gauss-Newton, Levenberg Marquardt)
- Il problema della Data Association, e strumeni tipici per affrontarlo (RANSAC, euristiche)
- Casi di studio tipici per problemi di stima in robotics (Calibrazione, Localizzazione, Mappatura and SLAM)
Applicare conoscenza e comprensione:
- Essere in gradi di modellare un problema di stima ed adattare gli strumenti proposti al dominio specifico
- Svuluppare uno stimatore dello stato funzionante.
Capacità critiche e di giudizio:
- Individuare i pro ed i contro che presentano soluzioni diverse allo stesso problema.
- Individuare gli strumenti utilizzabili per approcciare i sotto-problemi di uno stimatore.
Lo sviluppo di tali capacita' e' ottenuto mediante lo sviluppo di un progetto sviluppato come parte dell'esame.
Capacità comunicative:
- Acquisire un linguaggio comune per descrivere e modellare gli stimatori dello stato e che supporti
un'interazione tra sviluppatori definendo un insieme di obiettivi e termini comuni.
Capacità di apprendimento:
Lo studente possiedera' capacita e conoscera' tecniche per affrontare problemi di stima dello stato generali.
Gli esempi nel dominio della navigazione autonoma presentati durante il corso servono come casi di studio.
Gli argomenti individuali appresi (Manipolazione di PDF , Filtering Designs, Minimizzazione), sono strumenti
prezioni per affrontare problemi che esulano tali casi specifici di studio.
|
| 1022870 | NEURAL NETWORKS | 1º | 2º | 6 | ENG |
Obiettivi formativi Obiettivi generali:
Il corso è una overview generale sulle reti neurali, sia dal punto di vista metodologico che pratico. Gli studenti acquisiranno una forte competenza teorica e pratica su come le reti neurali funzionano e sono implementate, con particolare attenzione sui componenti più usati, e sulle attuali limitazioni.
Obiettivi specifici:
Dal punto di vista teorico, rivedremo il paradigma generale per la costruzione di modelli differenziabili che possono essere ottimizzati end-to-end con la discesa al gradiente. Successivamente, esamineremo i componenti essenziali per progettare architetture in grado di lavorare su immagini (convoluzioni), sequenze (recurrent layer) ed insiemi (transformers). L'ultima parte del corso si concentrerà su una selezione di importanti argomenti di ricerca, tra cui le reti neurali su grafi, l'apprendimento continuo e i modelli generativi.
Conoscenza e comprensione:
Alla fine del corso, lo studente avrà una ottima conoscenza di come le reti neurali funzionano in pratica, con la capacità di implementare nuovi componenti da zero, riutilizzare modelli esistenti o progettare nuove architetture per problemi al di là della panoramica del corso.
Abilità critiche e di giudizio:
Ci si aspetta che lo studente sia in grado di analizzare un nuovo problema che richiede l'apprendimento automatico e progettare la soluzione appropriata basata su una rete neurale, comprendendone sia i punti di forza che i limiti.
Abilità comunicative:
Il corso favorirà le abilità comunicative in termini di capacità di descrivere (in modo tecnico e non tecnico) la matematica alla base dei modelli, nonché di scrivere codice chiaro e comprensibile per la loro implementazione.
Abilità di apprendimento:
Al di là degli argomenti del corso, lo studente sarà in grado di studiare autonomamente nuovi argomenti di ricerca e di navigare la letteratura scientifica, oltre a saper comprendere punti di forza e debolezze delle attuali librerie software.
|
| 1022863 | MEDICAL ROBOTICS | 1º | 2º | 6 | ENG |
Obiettivi formativi Fornire un’introduzione e una panoramica sull’uso delle tecnologie robotiche nell’ambito medico, con particolare riferimento alla chirurgia assistita.
Lo studente conoscerà i principali sistemi di chirurgia assistita da robot, delle problematiche inerenti alla progettazione di robot medicali e al loro controllo.
Lo studente sarà in grado di:
- leggere criticamente articoli che descrivano le principali tecnologie coinvolte nella robotica medica;
- discutere dettagliatamente lo stato dell'arte delle applicazioni robotiche in medicina;
- stimare i potenziali benefici derivanti dall'introduzione di tecniche robotiche in una procedura medica;
- argomentare sullo sviluppo di una particolare tecnologia non ancora esistente o non ancora sperimentata;
- comunicare e collaborare con persone di diversa formazione tecnica;
- valutare i vincoli clinici, sociali ed economici nella implementazione di una tecnologia robotica in un settore medico;
- progettare schemi di controllo per la teleoperazione di robot medicali e per l’esecuzione di compiti condivisi tra umani e robot.
|
| 10592834 | NEUROENGINEERING | 1º | 2º | 6 | ENG |
Obiettivi formativi * Obiettivi generali
Il corso introduce i principi base, le metodologie e le applicazioni delle tecniche ingegneristiche utilizzate per lo studio sistemi neurali e dell’interazione con essi.
* Obiettivi specifici
- Conoscenza e comprensione
Lo studente apprenderà le nozioni di base sul funzionamento e l’organizzazione a diverse scale del cervello umano, nonché le principali applicazioni dell’ingegneria e della tecnologia dell’informazione alle neuroscienze.
- Applicare conoscenza e comprensione
Lo studente apprenderà l’uso degli strumenti essenziali per acquisire, elaborare e decodificare i segnali neurofisiologici e neuromuscolari, e per il loro interfacciamento con dispositivi artificiali.
- Capacità critiche e di giudizio
Lo studente imparerà a scegliere la metodologia di controllo più appropriata per indirizzare uno specifico problema, e per valutare la complessità della soluzione proposta.
- Capacità comunicative
Lo studente imparerà a comunicare in un contesto multidisciplinare i principali problemi dell’interfacciamento di segnali neurofisiologici con un sistema artificiale, e ad argomentare le possibili scelte progettuali per lo scopo.
- Capacità di apprendimento
Le modalità di svolgimento del corso mirano a creare una forma mentis dello studente orientata all’autoapprendimento di concetti avanzati che non sono stati affrontati nel corso.
|
| 10606869 | MULTILINGUAL NATURAL LANGUAGE PROCESSING | 1º | 2º | 6 | ENG |
Obiettivi formativi Obiettivi Generali
Lo scopo del corso è quello di fornire una panoramica sulle tecniche più avanzate di elaborazione del linguaggio naturale e le loro applicazioni.
Obiettivi Specifici
Gli studenti impareranno i principi del trattamento automatico delle lingue, comprendendo come le macchine possono interpretare, generare e rispondere al linguaggio umano. Questo include temi come la rappresentazione delle parole, i word e i sense embedding, le architetture neurali per l'NLP, la traduzione automatica, e più in generale la generazione di testo.
Conoscenza e Comprensione
-) Conoscenza delle architetture di reti neurali, come le reti neurali ricorrenti e i Transformer, utilizzate per l'elaborazione del linguaggio naturale.
-) Conoscenza dei metodi di apprendimento supervisionato e non supervisionato in NLP.
-) Conoscenza delle tecniche di semantica computazionale lessicale e frasale.
-) Comprensione dei modelli di linguaggio per interpretare e generare testo.
Applicazione di Conoscenza e Comprensione
-) Come sviluppare modelli per la comprensione del linguaggio
-) Come sviluppare modelli per la generazione del linguaggio
-) Come utilizzare le architetture neurali per l'NLP
Autonomia di Giudizio
Gli studenti saranno in grado di valutare l'efficacia delle tecniche di NLP nelle diverse applicazioni.
Abilità Comunicative
Gli studenti saranno in grado di spiegare i principi e le tecniche di elaborazione del linguaggio naturale.
Capacità di Apprendimento Successivo
Gli studenti interessati alla ricerca scopriranno quali sono le principali sfide aperte nell'area dell'NLP, ottenendo le basi necessarie per studi più approfonditi in materia.
|
| 1052222 | PLANNING AND REASONING | 2º | 1º | 6 | ENG |
Obiettivi formativi Questo corso introduce i concetti relativi alla pianificazione automatica e ai
meccanismi di ragionamento logico dell'intelligenza artificiale. Lo scopo del
corso e' quello di permettere allo studente di usare i sistemi esistenti di
pianificazione automatica e di capire i loro meccanismi interni, in modo da
poterli sfruttare nel modo migliore ed eventualmente estendere a fronte di
problemi specifici. Inoltre, lo studente verrà messo in condizione di
comprendere i fondamenti teorici alla base dei meccanismi di ragionamento
logico usati in intelligenza artificiale.
|
| 10607048 | RESEARCH TOPICS IN ARTIFICIAL INTELLIGENCE | 2º | 2º | 6 | ENG |
Obiettivi formativi Obiettivi generali.
L'obiettivo del corso e' fornire una panoramica applicativa a veri temi di ricerca. Gli argomenti sono esposti da ricercatori attivi sui temi di ricerca specifici allo scopo di presentare allo studente problemi di ricerca e temi di applicazione rilevanti e recenti nel campo dell'Intelligenza Artificiale. 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:
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.
|
