ID:
509522
Durata (ore):
36
CFU:
3
SSD:
Indefinito/Interdisciplinare
Anno:
2024
Dati Generali
Periodo di attività
Secondo Semestre (03/03/2025 - 13/06/2025)
Syllabus
Obiettivi Formativi
L’obiettivo principale del corso è fornire agli studenti le conoscenze teoriche e pratiche necessarie per applicare tecniche di Computational Intelligence in diversi contesti, attraverso l’uso di MATLAB e Python. Al termine del corso, gli studenti saranno in grado di:
1. Competenze teoriche
- Comprendere i fondamenti della Computational Intelligence, con particolare attenzione alla logica fuzzy, agli algoritmi evolutivi e alle reti neurali artificiali.
- Analizzare e confrontare diversi approcci di ottimizzazione, differenziando metodi tradizionali e basati su modelli biologici.
- Identificare vantaggi, svantaggi e applicazioni dei modelli fuzzy, degli algoritmi genetici e delle reti neurali.
2. Competenze pratiche
- Utilizzare MATLAB per implementare modelli fuzzy, algoritmi genetici e tecniche di ottimizzazione evolutiva.
- Sviluppare reti neurali artificiali utilizzando Python, con librerie come TensorFlow e Keras.
- Progettare e analizzare esperimenti computazionali, interpretando i risultati ottenuti per migliorare le prestazioni dei modelli.
- Applicare metodi di machine learning per problemi di classificazione, regressione e clustering.
- Ottimizzare e valutare modelli tramite tecniche di hyperparameter tuning, early stopping e metodi di diagnostica dell’overfitting.
3. Progettazione e problem-solving
- Sviluppare un progetto intermedio basato su algoritmi genetici, comprendendo le strategie di selezione, mutazione e crossover.
- Realizzare un progetto finale, applicando tecniche di Computational Intelligence a un problema reale.
- Lavorare in team per la risoluzione di problemi pratici, con un approccio sperimentale e iterativo.
Al termine del corso, gli studenti avranno acquisito una solida preparazione operativa su strumenti avanzati di Computational Intelligence, sviluppando una capacità critica nell’uso di metodologie AI per la risoluzione di problemi complessi.
1. Competenze teoriche
- Comprendere i fondamenti della Computational Intelligence, con particolare attenzione alla logica fuzzy, agli algoritmi evolutivi e alle reti neurali artificiali.
- Analizzare e confrontare diversi approcci di ottimizzazione, differenziando metodi tradizionali e basati su modelli biologici.
- Identificare vantaggi, svantaggi e applicazioni dei modelli fuzzy, degli algoritmi genetici e delle reti neurali.
2. Competenze pratiche
- Utilizzare MATLAB per implementare modelli fuzzy, algoritmi genetici e tecniche di ottimizzazione evolutiva.
- Sviluppare reti neurali artificiali utilizzando Python, con librerie come TensorFlow e Keras.
- Progettare e analizzare esperimenti computazionali, interpretando i risultati ottenuti per migliorare le prestazioni dei modelli.
- Applicare metodi di machine learning per problemi di classificazione, regressione e clustering.
- Ottimizzare e valutare modelli tramite tecniche di hyperparameter tuning, early stopping e metodi di diagnostica dell’overfitting.
3. Progettazione e problem-solving
- Sviluppare un progetto intermedio basato su algoritmi genetici, comprendendo le strategie di selezione, mutazione e crossover.
- Realizzare un progetto finale, applicando tecniche di Computational Intelligence a un problema reale.
- Lavorare in team per la risoluzione di problemi pratici, con un approccio sperimentale e iterativo.
Al termine del corso, gli studenti avranno acquisito una solida preparazione operativa su strumenti avanzati di Computational Intelligence, sviluppando una capacità critica nell’uso di metodologie AI per la risoluzione di problemi complessi.
Prerequisiti
Programmazione: Familiarità con almeno un linguaggio di programmazione (preferibilmente MATLAB e/o Python).
Matematica di base: Concetti di algebra lineare (matrici e vettori), funzioni matematiche e loro proprietà.
Probabilità e statistica: Conoscenza dei fondamenti di probabilità, distribuzioni e misure di errore.
Fondamenti di Intelligenza Artificiale e Machine Learning: Concetti introduttivi su apprendimento supervisionato, non supervisionato e ottimizzazione.
Sebbene non obbligatori, questi prerequisiti faciliteranno la comprensione degli argomenti trattati e l’applicazione pratica degli algoritmi studiati nel corso.
Matematica di base: Concetti di algebra lineare (matrici e vettori), funzioni matematiche e loro proprietà.
Probabilità e statistica: Conoscenza dei fondamenti di probabilità, distribuzioni e misure di errore.
Fondamenti di Intelligenza Artificiale e Machine Learning: Concetti introduttivi su apprendimento supervisionato, non supervisionato e ottimizzazione.
Sebbene non obbligatori, questi prerequisiti faciliteranno la comprensione degli argomenti trattati e l’applicazione pratica degli algoritmi studiati nel corso.
Metodi didattici
Il corso prevede un approccio didattico basato su un equilibrio tra teoria e pratica, con l’obiettivo di fornire agli studenti competenze operative nell’uso di strumenti avanzati di Computational Intelligence. Le attività didattiche comprendono:
Lezioni frontali ed esercitazioni pratiche: Introduzione ai concetti teorici con immediata applicazione su casi concreti.
Laboratori con MATLAB e Python: Implementazione di algoritmi fuzzy, evolutivi e reti neurali per risolvere problemi reali.
Progetti guidati: Sviluppo di esercizi e progetti su applicazioni avanzate di Computational Intelligence.
Tutoraggio e supporto: Assistenza continua per la comprensione degli argomenti trattati e per la realizzazione dei progetti.
Discussione e revisione dei progetti: Presentazioni periodiche per monitorare l’avanzamento dei progetti, discutere soluzioni e ottimizzare le implementazioni.
Lezioni frontali ed esercitazioni pratiche: Introduzione ai concetti teorici con immediata applicazione su casi concreti.
Laboratori con MATLAB e Python: Implementazione di algoritmi fuzzy, evolutivi e reti neurali per risolvere problemi reali.
Progetti guidati: Sviluppo di esercizi e progetti su applicazioni avanzate di Computational Intelligence.
Tutoraggio e supporto: Assistenza continua per la comprensione degli argomenti trattati e per la realizzazione dei progetti.
Discussione e revisione dei progetti: Presentazioni periodiche per monitorare l’avanzamento dei progetti, discutere soluzioni e ottimizzare le implementazioni.
Verifica Apprendimento
Sviluppo di esercizi e progetti e discussione orale
Testi
"Introduction to Evolutionary Computing" – A.E. Eiben, J.E. Smith (Springer);
"Introduction to Fuzzy Logic" – J.K. Peckol (Wiley);
"Neural Networks and Deep Learning: A Textbook" – C.C. Aggarwal (Springer);
"Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" – A. Géron (O'Reilly)
"Introduction to Fuzzy Logic" – J.K. Peckol (Wiley);
"Neural Networks and Deep Learning: A Textbook" – C.C. Aggarwal (Springer);
"Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" – A. Géron (O'Reilly)
Contenuti
1. MATLAB e Fondamenti di Computational Intelligence
Introduzione a MATLAB: sintassi, operazioni su matrici, operatori.
Gestione dei dati, file e visualizzazione.
Debugging e correzione degli esercizi.
2. Fuzzy Logic e Sistemi Fuzzy
Concetti fondamentali di logica fuzzy, motivazione e applicazioni.
Fuzzy Inference Systems (FIS) e loro implementazione con il MATLAB Fuzzy Logic Toolbox.
Modelli Mamdani e Sugeno, Type-1 e Type-2 Membership Functions.
Adaptive Neuro-Fuzzy Inference System (ANFIS).
Applicazioni nel clustering fuzzy (Fuzzy C-Means) e image processing (segmentazione, rilevamento bordi, rimozione sfondo).
3. Ottimizzazione e Algoritmi Evolutivi
Ottimizzazione matematica: differenze tra metodi tradizionali ed evolutivi.
Introduzione alla Computazione Evolutiva: concetti biologici e terminologia (mutazione, fitness, selezione, crossover).
Algoritmi Genetici (GA): struttura, implementazione in MATLAB, strategie di selezione, crossover e mutazione.
Ottimizzazione multi-obiettivo con GA e Pareto Front.
Progetto intermedio legato agli algoritmi genetici.
4. Machine Learning e Reti Neurali
Introduzione a AI, ML e Neural Networks: definizioni, modelli cerebrali computazionali, storia delle reti neurali.
Modelli di Perceptron: neurone artificiale, funzioni di attivazione, addestramento, backpropagation.
Multi-Layer Perceptron (MLP): struttura, vantaggi, training con SGD e backpropagation.
Introduzione a Python per il ML: Pandas, Scikit-Learn, TensorFlow, Keras.
Generalizzazione e Overfitting: universal approximation, early stopping, tuning degli iperparametri (Grid Search, Dropout).
Applicazioni di regressione con reti neurali.
5. Progetti e Applicazioni Pratiche
Tutoraggio e assistenza sugli esercizi e progetti.
Introduzione a MATLAB: sintassi, operazioni su matrici, operatori.
Gestione dei dati, file e visualizzazione.
Debugging e correzione degli esercizi.
2. Fuzzy Logic e Sistemi Fuzzy
Concetti fondamentali di logica fuzzy, motivazione e applicazioni.
Fuzzy Inference Systems (FIS) e loro implementazione con il MATLAB Fuzzy Logic Toolbox.
Modelli Mamdani e Sugeno, Type-1 e Type-2 Membership Functions.
Adaptive Neuro-Fuzzy Inference System (ANFIS).
Applicazioni nel clustering fuzzy (Fuzzy C-Means) e image processing (segmentazione, rilevamento bordi, rimozione sfondo).
3. Ottimizzazione e Algoritmi Evolutivi
Ottimizzazione matematica: differenze tra metodi tradizionali ed evolutivi.
Introduzione alla Computazione Evolutiva: concetti biologici e terminologia (mutazione, fitness, selezione, crossover).
Algoritmi Genetici (GA): struttura, implementazione in MATLAB, strategie di selezione, crossover e mutazione.
Ottimizzazione multi-obiettivo con GA e Pareto Front.
Progetto intermedio legato agli algoritmi genetici.
4. Machine Learning e Reti Neurali
Introduzione a AI, ML e Neural Networks: definizioni, modelli cerebrali computazionali, storia delle reti neurali.
Modelli di Perceptron: neurone artificiale, funzioni di attivazione, addestramento, backpropagation.
Multi-Layer Perceptron (MLP): struttura, vantaggi, training con SGD e backpropagation.
Introduzione a Python per il ML: Pandas, Scikit-Learn, TensorFlow, Keras.
Generalizzazione e Overfitting: universal approximation, early stopping, tuning degli iperparametri (Grid Search, Dropout).
Applicazioni di regressione con reti neurali.
5. Progetti e Applicazioni Pratiche
Tutoraggio e assistenza sugli esercizi e progetti.
Lingua Insegnamento
INGLESE
Corsi
Corsi
ARTIFICIAL INTELLIGENCE
Laurea
3 anni
No Results Found
Persone
Persone
Docente
No Results Found