View syllabus
COMPUTATIONAL INTELLIGENCE AND DEEP LEARNING
BEATRICE LAZZERINI
Academic year2020/21
CourseARTIFICIAL INTELLIGENCE AND DATA ENGINEERING
Code877II
Credits6
PeriodSemester 1
LanguageEnglish

ModulesAreaTypeHoursTeacher(s)
COMPUTATIONAL INTELLIGENCE AND DEEP LEARNINGING-INF/05LEZIONI60
BEATRICE LAZZERINI unimap
Obiettivi di apprendimento
Learning outcomes
Conoscenze

Questo corso riguarda la teoria e l'applicazione di una serie di metodologie di intelligenza computazionale, tra cui reti neurali artificiali, sistemi di inferenza fuzzy e algoritmi genetici. L'attenzione è rivolta alla progettazione e allo sviluppo di sistemi computazionali intelligenti con funzionalità simili a quelle umane in termini di ragionamento, apprendimento e adattamento. Particolare attenzione sarà posta sul collegamento tra tecniche di intelligenza computazionale e applicazioni e progetti del mondo reale.

Knowledge

This course covers the theory and application of a series of computational intelligence methodologies, including artificial neural networks, fuzzy inference systems and genetic algorithms. The focus is on the design and development of computationally intelligent systems with human-like capabilities in terms of reasoning, learning and adaptation. Special emphasis will be placed on linking computational intelligence techniques to real world applications and projects.

Modalità di verifica delle conoscenze

Il corso prevede un progetto pratico e un esame orale. Nel progetto pratico lo studente deve dimostrare la capacità di mettere in pratica i metodi illustrati durante il corso. Durante l'esame orale lo studente sarà valutato sulla base della sua capacità di discutere i contenuti del corso.

Assessment criteria of knowledge

The course includes a practical project and an oral exam. In the practical project the student must demonstrate the ability to put into practice the methods illustrated during the course. In the oral exam the student will be assessed on his/her demonstrated ability to discuss the course contents. 

Capacità

Lo studente che ha completato con successo il corso sarà in grado di progettare e sviluppare sistemi intelligenti in diversi domini applicativi.

Skills

The student who successfully completes the course will have the ability to design and develop intelligent systems in several application domains.

Modalità di verifica delle capacità

Durante l'attività di laboratorio sarà sviluppato un progetto. Al termine del corso, lo studente dovrà preparare e presentare una relazione scritta che descriva le scelte fatte nel progetto e i risultati ottenuti.

Assessment criteria of skills

A project will be developed during the laboratory activity. At the end of the course, the student will have to prepare and present a written report describing the choices made in the project and the results achieved.

Comportamenti

Lo studente potrà acquisire e sviluppare sensibilità alle problematiche coinvolte nella gestione e nell’analisi di dati sperimentali (ad esempio, dati eterogenei, dati mancanti, dati imprecisi e vaghi, ecc.).

Behaviors

The student can acquire and develop sensitivity to the issues involved in the management and analysis of experimental data (for example, eterogeneous data, missing data, inaccurate and vague data, etc.).

Modalità di verifica dei comportamenti

Durante la discussione del progetto saranno valutate la sensibilità ai problemi affrontati e l’accuratezza ed efficienza delle soluzioni proposte.

Assessment criteria of behaviors

During the discussion of the project, the sensitivity to the problems faced and the accuracy and efficiency of the proposed solutions will be evaluated.

Prerequisiti (conoscenze iniziali)

Nessuno

Prerequisites

None

Indicazioni metodologiche

Lezioni frontali con ausilio di lucidi.

Strumenti software saranno utilizzati per illustrare i concetti e per progettare/implementare sistemi intelligenti. Durante il corso si svolgeranno esercitazioni pratiche anche in laboratorio.

Frequenza: Consigliata.

Attività di apprendimento:

  • lezioni
  • studio individuale
  • lavoro di gruppo
  • attività di laboratorio

Metodi di insegnamento:

  • lezioni
  • laboratorio
Teaching methods

Delivery: face to face with slides.

Software tools will be used to illustrate concepts and to design/implement intelligent systems. During the course practical exercises will also be carried out in the laboratory.

Attendance: Advised.

Learning activities:

  • attending lectures
  • individual study
  • group work
  • laboratory work

 Teaching methods:

  • Lectures
  • laboratory

 

Programma (contenuti dell'insegnamento)

Principali argomenti coperti:

Introduzione alle reti neurali artificiali. Reti perceptron a singolo strato e multi-strato. L'algoritmo di addestramento backpropagation. Reti RBF. Apprendimento supervisionato e non supervisionato. Reti SOM. Algoritmi di clustering. Insiemi fuzzy e logica fuzzy. Sistemi fuzzy. Sistemi di inferenza neuro-fuzzy adattivi. Algoritmi genetici a singolo obiettivo e multi-obiettivo. Classificazione. Analisi ROC. Deep learning. Reti neurali convoluzionali. Reti neurali ricorrenti. Predizione. Applicazioni ed esempi.

Syllabus

Main topics covered:

Introduction to artificial neural networks. Single-layer and multi-layer perceptron networks. The backpropagation learning algorithm. Radial-basis function networks. Supervised and unsupervised learning. Self-organizing feature maps. Clustering algorithms. Fuzzy sets and fuzzy logic. Fuzzy systems. Adaptive Neuro-Fuzzy Inference Systems. Single-objective and multi-objective genetic algorithms. Pattern classification. ROC analysis. Deep learning. Convolutional neural networks. Recurrent neural networks. Forecasting. Applications and examples.

Bibliografia e materiale didattico

Il docente fornirà slides e dispense.

Bibliography

The teacher will provide lecture slides and handouts.

Modalità d'esame

Esame orale e sviluppo di un progetto in laboratorio.

L’esame è composto dalla presentazione del progetto pratico e da una prova orale. La prova orale consiste in un colloquio tra il candidato e il docente. Durante il colloquio saranno poste domande inerenti le diverse sezioni nelle quali è diviso il corso: reti neurali, logica fuzzy, algoritmi genetici, e loro applicazioni. Il colloquio non avrà esito positivo se il candidato darà prova di non essere in grado di esprimersi in modo chiaro e di usare la terminologia corretta ovvero se il candidato mostrerà ripetutamente l'incapacità di mettere in relazione parti del programma e nozioni che deve usare in modo congiunto per rispondere in modo corretto ad una domanda.

Per sostenere l’orale è necessario aver ottenuto una valutazione positiva sul progetto pratico.

Assessment methods

Oral exam and lab project.

The exam consists of the presentation of the practical project and an oral test. The oral test consists of a conversation between the candidate and the teacher. During the conversation questions will be asked about the different sections in which the course is divided: neural networks, fuzzy logic, genetic algorithms, and their applications. The conversation will not be successful if the candidate will prove to be unable to express himself/herself clearly and to use the correct terminology, or if the candidate repeatedly shows the inability to relate parts of the program and the notions he/she must use in a joint way to answer correctly a question.

A positive evaluation of the practical project is needed to take the oral exam.

 

Updated: 23/09/2020 09:16