View syllabus
INTELLIGENT SYSTEMS
PIETRO DUCANGE
Academic year2023/24
CourseCOMPUTER ENGINEERING
Code595II
Credits6
PeriodSemester 2
LanguageEnglish

ModulesAreaTypeHoursTeacher(s)
INTELLIGENT SYSTEMSING-INF/05LEZIONI60
PIETRO DUCANGE unimap
FABRIZIO RUFFINI unimap
Obiettivi di apprendimento
Learning outcomes
Conoscenze

Al termine del corso lo studente avrà acquisito conoscenze in merito ai concetti fondamentali delle tecniche computazionali ispirate alla natura, come le reti neurali artificiali, i sistemi fuzzy e gli algoritmi genetici, e alla loro applicazione in una vasta gamma di aree applicative.

Knowledge

At the end of the course the student will acquire knowledge about the basic concepts of nature-inspired computational techniques, such as artificial neural networks, fuzzy systems and genetic algorithms, and their application to a wide variety of application areas.

Modalità di verifica delle conoscenze

La verifica delle conoscenze sarà oggetto della valutazione del progetto di laboratorio e di un esame orale al termine del corso. Nel progetto di laboratorio lo studente dovrà progettare e realizzare un sistema intelligente per risolvere un problema particolare. Durante l'esame orale lo studente deve dimostrare la conoscenza dei concetti di base sui sistemi intelligenti e la capacità di sviluppare tali sistemi.

Assessment criteria of knowledge

The assessment of the knowledge will be the subject of the evaluation of the laboratory project and of an oral exam at the end of the course. In the lab project the student will have to design and implement an intelligent system to solve a particular problem. During the oral exam the student must demonstrate knowledge of the basic concepts about intelligent systems and the ability to develop intelligent systems.

Capacità

Al termine del corso, lo studente sarà in grado di sviluppare ed utilizzare sistemi intelligenti per affrontare problemi non facilmente risolvibili con approcci tradizionali.

Skills

At the end of the course, the student will be able to develop and use intelligent systems to tackle problems not easily solved by traditional approaches to computing.

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.

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.

Attendance: Advised.

Learning activities:

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

 

Teaching methods:

  • lectures
  • laboratory

 

Programma (contenuti dell'insegnamento)

Concetti fondamentali delle reti neurali artificiali. Perceptron. Multilayer Perceptron. Error backpropagation. Reti neurali RBF. Reti neurali competitive. Mappe auto-organizzanti (SOM). Cenni di Deep learning. Fuzzy sets e Fuzzy Logic. Regole fuzzy. Ragionamento approssimato. Sistemi basati su regole fuzzy. Tipi di regole fuzzy. Adaptive-network-based fuzzy inference systems (ANFIS). Algoritmi genetici. Sistemi intelligenti ibridi. Risoluzione di problemi con sistemi intelligenti: regressione, classificazione, clustering, previsione, supporto decisionale, data mining, data fusion.

Syllabus

Basic concepts of artificial neural networks. Perceptron. Multilayer Perceptron. Error backpropagation. Radial-Basis Function (RBF) networks.. Self-organizing maps (SOM). Basics of Deep learning. . Fuzzy sets and Fuzzy Logic. Fuzzy rules. Approximate reasoning. Fuzzy rule-based systems. Types of fuzzy rules. Adaptive-network-based fuzzy inference systems (ANFIS). Genetic algorithms. Hybrid intelligent systems. Problem solving with intelligent systems: regression, classification, clustering, forecasting, decision support, data mining, data fusion.

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 un test scritto su aspetti teorico/pratici. La prova orale consiste in un colloquio tra il candidato e il docente. 

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 a written test on theoretical issues. 

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

Updated: 23/10/2023 08:58