Scheda programma d'esame
COMPUTATIONAL INTELLIGENCE AND DEEP LEARNING
MARCO COCOCCIONI
Anno accademico2023/24
CdSARTIFICIAL INTELLIGENCE AND DATA ENGINEERING
Codice877II
CFU6
PeriodoPrimo semestre
LinguaInglese

ModuliSettore/iTipoOreDocente/i
COMPUTATIONAL INTELLIGENCE AND DEEP LEARNINGING-INF/05LEZIONI60
MARCO COCOCCIONI unimap
FEDERICO ANDREA GALATOLO unimap
Obiettivi di apprendimento
Learning outcomes
Conoscenze

Questo corso riguarda la teoria e l'applicazione di una serie di tecniche 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

The first part of the course covers the theory and application of a series of computational intelligence techniques, including artificial neural networks, fuzzy inference systems and genetic algorithms. The second part is more devoted to deep learning (especially recent models), for different tasks: regression, classification, object detection and image segmentation. 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 and deep learning to real world applications.

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 written and an oral exam, where the students must demonstrate to have well-understood the content of the course.

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

Al termine del corso, lo studente dovrà preparare e presentare una relazione scritta che descriva le scelte fatte nel progetto e i risultati ottenuti.

Comportamenti

Lo studente acquisirà un metodo per affrontare problemi complessi del mondo reale e per scegliere la soluzione più efficace.

Behaviors

The student will acquire a method to deal with complex real-world problems and to choose the most effective solution.

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.

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. Insiemi fuzzy e logica fuzzy. Sistemi fuzzy. Sistemi di inferenza neuro-fuzzy adattivi. Algoritmi genetici. Classificazione. Analisi ROC. Deep learning. Reti neurali convoluzionali. Reti neurali ricorrenti. Reti GRU (Gated Recurrent Unit) e reti Long-Short Term Memory (LSTM). Reti per rilevamento di oggetti in immagini (YOLO e Faster Region-based Convolutional Neural Network). Segmentazione di immagini mediante UNet e Mask RCNN. Reti GAN (Generative Adversarial Networks). Variational Autoencoders. Diffusion Models.

Syllabus

 

Main topics covered:

Introduction to artificial neural networks. Single-layer and multi-layer perceptron networks. The backpropagation training algorithm. Fuzzy sets and fuzzy logic. Fuzzy systems. Adaptive neuro-fuzzy inference systems. Genetic algorithms. Classification. ROC analysis. Deep learning. Convolutional neural networks. Recurrent neural networks. Gated Recurrent Unit (GRU) networks and Long-Short Term Memory (LSTM) networks. Networks for object detection in images (YOLO and Faster Region-based Convolutional Neural Networks). Image segmentation using UNet and Mask RCNN. Generative Adversarial Networks (GANs). Variational Autoencoders. Diffusion Models.

Bibliografia e materiale didattico

I docenti forniranno le slide delle lezioni.

Bibliography

The teachers will provide the slides of the lessons.

Modalità d'esame

Esame scritto e orale.

La prova orale consiste in un colloquio tra il candidato e i docenti. 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.

L'esame scritto consiste in una lista di domande aperte sugli argomenti del corso.

Per sostenere l’orale è necessario aver ottenuto una valutazione positiva alla prova scritta.

Assessment methods

Written and Oral exams.

The oral test consists of a conversation between the candidate and the teachers. During the conversation questions will be asked about the different sections in which the course is divided: deep 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.

The written exam consists of open questions, on the same topics.

A positive evaluation of the written test is mandatory for access to the oral exam.

Ultimo aggiornamento 13/09/2023 20:02