Artificial Intelligence and Robotics - Intelligenza Artificiale e Robotica

Fra le altre attività formative sono previsti 12 CFU sono a scelta dello studente.

Obiettivi generali:
Conoscere i principi di base dell'intelligenza artificiale, in particolare la modellazione di sistema intelligente tramite la nozione di agente intelligente. Conoscere le tecniche di base dell'Intelligenza Artificiale con particolare riferimento alla manipolazione di simboli e, più in generale, a modelli discreti. Conoscere i principi fondamentali della interazione tra agenti intelligenti ed in particolare tra agente intelligente e uomo, attraverso il linguaggio parlato.
Obiettivi specifici:
Conoscenza e comprensione: Metodi di ricerca automatica nello spazio degli stati: metodi generali, metodi basati su euristiche, ricerca locale.Rappresentazioni fattorizzate: problemi di soddisfacimento di vincoli, modelli di pianificazione. Rappresentazione della conoscenza attraverso sistemi formali: logica proposizionale, logica del primo ordine, cenni alle logiche descrittive ad alle forme di ragionamento non monotono. Uso della logica come linguaggio di programmazione: PROLOG. Cooperazione e coordinamento tra agenti intelligenti, distribuzione di compiti, soddisfacimento distribuito di vincoli, analisi lessicale, sintattica e semantica del linguaggio parlato.
Applicare conoscenza e comprensione: Modellazione di problemi con i diversi metodi di rappresentazione acquisiti. Analisi del comportamento degli algoritmi di ragionamento di base. Progetto e realizzazione di sistemi per l'interazione tra molti agenti.
Capacità critiche e di giudizio: Essere in grado di valutare la qualità di un modello di rappresentazione di un problema e dei risultati ottenuti applicando su di esso tecniche di ragionamento automatico. Analisi e valutazione degli elementi salienti della interazione tra molti agenti.
Capacità comunicative: Le capacità di comunicazione orale dello studente vengono stimolate attraverso l'interazione durante le lezioni tradizionali mentre le capacità espositive nello scritto vengono sviluppate attraverso la discussione di esercizi e delle domande a risposta aperta previste nelle prove di esame. Le capacità comunicative vengono infine consolidate attraverso la presentazione di un progetto, realizzato anche in gruppo, e del report scritto ad esso associato.
Capacità di apprendimento: Oltre alle classiche capacità di apprendimento fornite dallo studio teorico del materiale didattico, attraverso gli esercizi relativi all'applicazione dei modelli appresi, il corso contribuisce a sviluppare le capacità di risoluzione di problemi dello studente. Il progetto e realizzazione di un prototipo di sistema di interazione contribuiscono all'apprendimento della capacità di lavorare in gruppo.

Introduzione.

Rappresentazione della Conoscenza: modellazione del dominio di interesse; autonomia; il ruolo della logica.

Logica Proposizionale: sintassi e semantica; valutazione, soddisfacibilità, validità, implicazione logica; tableaux proposizionali; DPLL.

Logica del Primo Ordine: sintassi, semantica; valutazione, soddisfacibilità, validità, implicazione logica; tableaux per la logica del primo ordine.

Pianificazione Classica: domini deterministici; STRIPS, ADL, PDDL, transition system, ricerca in avanti, euristiche, Best-First, ricerca A*.

Pianificazione Condizionale (FOND): domini non deterministici, PDDL con operatore oneof, pianificazione non deterministica tramite AND-OR Search.

Ragionamento sulle Azioni: modellazione di domini dinamici (discreti), precondizioni delle azioni, effetti, il frame problem.

Situation Calculus: precondition axioms e successor-state axioms; albero delle situazioni; regressione; executability e projection.

Modellazione e pianificazione in domini dinamici stocastici: MDP, Policy Evaluation, Policy Iteration.

• Introduzione. Problemi di Ricerca e Algoritmi.(settimana 1-2)
• Testi di riferimento: [AIMA] Artificial Intelligence: A Modern Approach, Global Edition, 4th Edition by Stuart Russell, Peter Norvig, Pearson 2020. Cap. 1, 2.
• Logica proposizionale e algoritmi per soddisfacibilità. (settimana 3-4)
• Testi di riferimento: AIMA: 7.4.1 - 7.4.3, 7.6.1
• Logica del primo ordine.(settimana 5-6)
• Testi di riferimento: AIMA: 8.1-8.3
• Pianificazione automatica.(settimana 7-8)
• Testi di riferimento: AIMA: 3 - 3.4.4, 4.3 - 4.3.2, 11 - 11.3.1
• Rappresentazione della conoscenza e ragionamento automatico con incertezza.(settimana 9-10)
• Testi di riferimento: AIMA: 12, 17
• Il calcolo delle situazioni.(settimana 11-12)
• Testi di riferimento: Lucidi e appunti delle lezioni.

L'esame consiste in una prova scritta contenente domande riguardanti:

• Modellazione di un sistema dinamico.
• Ragionamento sul sistema modellato, es., progressione, regressione o pianificazione.
• Ragionamento su conoscenza proposizionale e/o al prim'ordine (es., soddisfacibilità, validità o implicazione logica di formula/knowledge bases).
• Tecniche di modellazione e pianificazione su domini stocastici .

Artificial Intelligence: A Modern Approach, Global Edition, 4th Edition by Stuart Russell, Peter Norvig, Pearson 2020 (selected chapters).

OBIETTIVI GENERALI Il corso vuole introdurre lo studente ai concetti fondamentali della visione artificiale e alla costruzione di sistemi autonomi di interpretazione e ricostruzione di una scena tramite immagini e video. Il corso affronta elementi di base di geometria proiettiva ed epipolare, i metodi per la visione 3d e per la visione basata su più viste, e i metodi per la ricostruzione metrica e le metodologie di interpretazione di immagini e video. Inoltre il corso illustra le tecniche principali per il riconoscimento e la segmentazione di immagini e video basati sull’ apprendimento automatico.
OBIETTIVI SPECIFICI
Conoscenza e Comprensione Il corso stimola la curiosità degli studenti verso nuove metodologie per l’analisi e la generazioni di immagini e di video. Lo studente apprende nuovi concetti che gli permettono di acquisire una conoscenza di base della visione computazionale.
Applicare Conoscenza e Comprensione Gli studenti approfondiscono e apprendono linguaggi di programmazione per applicare la conoscenza acquisita. In particolare approfondiscono il linguaggio Python ed apprendono Tensorflow. Quest’ ultimo offre agli studenti la possibilità di programmare applicazioni di deep learning. Usano questa nuovissima tecnologia per realizzare un progetto di riconoscimento di elementi specifici in immagini e video.
Capacità critiche e di Giudizio Lo studente acquisisce la capacità di distinguere tra ciò che può realizzare con gli strumenti che ha appreso, come ad esempio generare delle immagini o riconoscere degli oggetti usando tecniche di deep learning, e ciò che è effettivamente richiesto per la realizzazione di un sistema automatico di visione. In tal modo è in grado di elaborare un giudizio critico sui sistemi di visione disponibili allo stato dell’arte e di valutare ciò che si può effettivamente realizzare e ciò che richiede ulteriori avanzamenti nella ricerca.
Capacità Comunicative La realizzazione del progetto, come parte del programma di esame, richiede che lo studente lavori e dia un contributo all’ interno di un piccolo gruppo di lavoro. Questo insieme alla soluzione di esercizi in classe, e alle discussioni sui temi più interessanti stimola le capacità comunicative dello studente.
Capacità di Apprendimento Oltre alle classiche capacità di apprendimento fornite dallo studio teorico del materiale didattico, le modalità di svolgimento del corso, in particolare le attività progettuali, 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.

1. Image Processing

Image Formation and Filtering

Frequency analysis

Feature Detection and Matching

Motion and Optical flow

2. Multiview Geometry

Cameras, Multiple Views

Projective geometry and camera geometry

3. Deep Learning for Computer Vision

Deep Learning for computer vision and basic architectures

Object classification and detection, semantic segmentation and instance segmentation

Sequence models: RNN, transformers in vision and attention model, action recognition

Generative models

Monocular depth estimation

4. Computer Vision Security and Forensics

Dataset Bias and Adversarial examples

Multimedia forensics and deepfake detection

• Image Processing: Filtering - Convolution, Sampling and Aliasing
• Image Processing: Filtering - Convolution, Gradients, & Edges
• Image Pyramid, Frequency domain - Fourier Analysis
• Tutorial 1: Image processing and feature extraction and matching
• Features: Feature Detection (Corner & Blob)
• Feature Descriptor and Histogram of Gradient
• Local features: SIFT, matching
• 2D Transformation: 2D Transformations, Image alignment and RANSAC
• Recognition: Image Classification, Semantic Segmentation, Object Detection and Segmentation (BOW)
• Motion estimation with Optical flow
• Deep learning for video: action recognition
• Depth estimation and Monocular Depth Estimation \ Adversarial Robustness
• Self-supervised learning in CV + Vision transformer and attention model
• Tutorial 2: Deep Learning with Pytorch on diverse CV topics
• 3D VISION: Camera Calibration
• 3D VISION: two view geometry, structure from motion, epipolar geometry and fundamental matrix
• 3D VISION: stereo matching
• Tutorial 3: multi view geometry
• Diverse topics in CV: deefake detection, diffusion model
• Seminar

● The exam covers the different sections of the course

● The assessment of the exam consist of a project + project presentation (worth 1/2) and a final written exam (worth 1/2).

● Final project: a list of topics will be given at the half of the course.

● Groups from 1 to 3 people

Suggested (not mandatory)

• Computer Vision and Image Processing: «Computer Vision: Algorithms and Applications», Richard Szeliski , 2022 (available for free at: https://szeliski.org/Book/)
• MultiView Geometry: “MultiView Geometry in Computer Vision”, Richard Hartley & Andrew Zisserman, Cambridge ed.
• Understanding Deep Learning. J.D. Prince, https://udlbook.github.io/udlbook/
• Deep Learning with PyTorch, Eli Stevens, Luca Antiga, Thomas Viehmann
• Deep learning: «Deep Learning», Ian Goodfellow , Yoshua Bengio , Aaron Courville (available at: https://www.deeplearningbook.org/)
• Scientific papers and articles discussed during the course

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.

Obiettivi Generali Al termine del corso, gli studenti avranno una solida comprensione e capacità pratica nell'ambito del Generative AI, essenziale per affrontare e risolvere problemi complessi di intelligenza artificiale generativa.
Obiettivi Specifici Conoscenza e Comprensione: Acquisire una comprensione approfondita dei principi di generazione di immagini e testi. Apprendere le strutture e i meccanismi dei modelli generativi basati su tecniche di diffusione e su tecniche autoregressive
Capacità Critiche e di Giudizio: Valutare criticamente le prestazioni dei modelli di generative AI e di come queste vengono utilizzati in ambiti reali. Analizzare le sfide relative alla robustezza nei modelli di generative AI e sviluppare soluzioni efficaci.
Capacità Comunicative: Presentare e discutere i risultati dei progetti di generative AI, dimostrando competenza nell'uso di strumenti avanzati come Diffusion Models e Transformers.
Capacità di Apprendimento: Sperimentare con tecnologie emergenti nel campo del deep learning, come LLM, Vision LM, Diffusion Models, Flow-based Model, etc.. Applicare le conoscenze teoriche in progetti pratici per affrontare problemi reali.

1. Introduzione alla Generative AI: panoramica e applicazioni.

2. Modellazione probabilistica: teoria, distribuzioni, MLE.

3. Modelli autoregressivi: linguaggio e immagini.

4. Variational Autoencoders (VAEs): inferenza variazionale e applicazioni.

5. Normalizing Flows: trasformazioni invertibili e distribuzioni complesse.

6. Generative Adversarial Networks (GANs): training avversario e miglioramenti.

7. Modelli basati su energia e punteggio: matching score ed energy functions.

8. Modelli a diffusione: processi stocastici e tecniche recenti.

9. Applicazioni su immagini: generazione e manipolazione.

10. Applicazioni su testo: modelli linguistici e sintesi.

11. Generazione di grafi e molecole: GNN e applicazioni scientifiche.

12. Valutazione dei modelli generativi: metriche e sfide.

• Generative AI

Lecture notes and materials provided by the instructor.

Obiettivi generali:
Far acquisire allo studente le basi della programmazione in grafica 3D con particolare enfasi sulle tecniche di animazione e visualizzazione interattiva. In particolare gli argomenti trattati includono: Fondamenti della grafica computerizzata, rendering interattivo e animazione, la pipeline grafica, trasformazioni, visualizzazioni, rasterizzazione, illuminazione e shading, texture-mapping, tecniche di animazione basate su keyframes, simulazioni fisiche, sistemi di particelle ed animazione di personaggi. Verrà inoltre fornita un’introduzione alla computazione su hardware specializzato per la grafica (GPGU).
Obiettivi specifici:
Far acquisire allo studente familiarità con le tecniche matematiche alla base della grafica 3D, oltre che la capacità di programmare ambienti complessi ed interattivi in grafica 3D usando la libreria OpenGL o una delle sue varianti
Conoscenza e comprensione:
Approfondimento del funzionamento di un sistema per la grafica 3D nelle sue componenti hardware e software. Conoscenza dello standard HTML5 e del linguaggio Javascript, applicazione della libreria WebGL e di alcune librerie di più alto livello. Comprensione delle problematiche di efficienza e qualità visiva delle applicazioni in grafica 3D
Applicare conoscenza e comprensione:
Sviluppo di applicazioni interattive sul web in grafica 3D.
Capacità critiche e di giudizio:
Capacità di comprendere le complessità tecniche nella realizzazione di applicazioni interattive in grafica 3D. Capacità di analisi critica delle soluzioni presenti sul mercato ed analisi di punti di forza e debolezza.

Questo corso introdurrà lo studente agli aspetti essenziali della computer grafica e delle applicazioni 3D interattive. Più precisamente, il programma comprende le rappresentazioni dei colori, lo studio della pipeline grafica, un'introduzione alla libreria 3D WebGL, uno studio delle tecniche per la modellazione 3D, come rappresentare matematicamente i sistemi di coordinate e le trasformazioni. Verranno inoltre discussi dettagli sui processi di rasterizzazione e clipping, sulla definizione e implementazione di modelli di illuminazione e ombreggiatura e sul processo di texture mapping. Nell'ultima parte del corso verranno trattate tecniche più avanzate e l'estensione dei modelli d'illuminazione per includere l'illuminazione globale.

Il corso prevede lo svolgimento (opzionale) di piccoli progetti da svolgere singolarmente e di un progetto finale in piccoli gruppi, oltre ad un esame orale

Interactive Computer Graphics with WebGL, Edward Angel, Dave Shreiner, Pearson Education, ISBN 9780136681762, https://www.pearson.com/us/higher-education/program/Angel-Pearson-e-Text-for-Interactive-Computer-Graphics-Access-Card-8th-Edition/PGM2160099.html

Obiettivi generali:
L’obiettivo del corso è presentare un ampio spettro di metodi e algoritmi di apprendimento automatico, discutendone le proprietà e i criteri di applicabilità e di convergenza. Si presentano anche diversi esempi di impiego efficace delle tecniche di apprendimento automatico in diversi scenari applicativi. Gli studenti avranno la capacità di risolvere problemi di apprendimento automatico, partendo da una corretta formulazione del problema, con la scelta di un opportuno algoritmo, e sapendo condurre un’analisi sperimentale per valutare i risultati ottenuti.
Obiettivi specifici:
Conoscenza e comprensione: Fornire un'ampia panoramica sui principali metodi e algoritmi di apprendimento automatico per i problemi di classificazione, regressione, apprendimento, non-supervisionato e apprendimento per rinforzo. I diversi problemi affrontati vengono definiti formalmente e vengono fornite sia le basi teoriche sia informazione tecniche per comprendere le soluzioni adottate.
Applicare conoscenza e comprensione: Risolvere problemi specifici di apprendimento automatico a partire da insiemi di dati, mediante l'applicazione delle tecniche studiate. Lo svolgimento di due homework (piccoli progetti da svolgere a casa) consente agli studenti di applicare le conoscenze acquisite.
Capacità critiche e di giudizio: Essere in grado di valutare la qualità di un sistema di apprendimento automatico usando opportune metriche e metodologie di valutazione.
Capacità comunicative: Produrre un rapporto tecnico che descrive i risultati degli homework, acquisendo quindi la capacità di comunicare i risultati ottenuti dall'applicazione delle conoscenze acquisite nella soluzione di un problema specifico. Assistere ad esempi di comunicazione e condivisione dei risultati raggiunti in applicazioni reali forniti da esperti all'interno di seminari erogati durante il corso.
Capacità di apprendimento: Approfondimento autonomo di alcuni argomenti presentati nel corso tramite lo svolgimento di homework, con possibilità anche di lavorare insieme ad altri studenti (lavoro di gruppo) per risolvere problemi specifici.

Classification

• Basic concepts and evaluation
• Decision Trees
• Bayes Learning
• Linear Models
• Support Vector Machines
• Kernels
• Multiple classifiers
• Regression
• Linear and logistic regression
• Instance based (K-NN)
• Perceptron
• Neural networks
• Deep neural networks (CNN)

Unsupervised learning

• Clustering (k-Means)
• Latent variables (EM)

Reinforcement learning

• MDP
• Q-learning

L'esame è volto ad accertare il raggiungimento dei risultati di apprendimento attesi attraverso una valutazione integrata della padronanza teorica e della capacità di risoluzione di problemi applicativi. La verifica si basa su una prova scritta unica, articolata in due sezioni.

Struttura della valutazione

Il voto finale è determinato dalla somma pesata delle seguenti componenti:

• Quesiti di Teoria (60% del voto finale): Domande a risposta aperta o chiusa mirate a verificare la comprensione dei paradigmi di apprendimento (supervisionato, non supervisionato, rinforzo), delle proprietà di convergenza e delle basi formali degli algoritmi.

Obiettivo: Verifica la Conoscenza e capacità di comprensione e le Abilità comunicative (uso del linguaggio tecnico).

• Esercizi Applicativi (40% del voto finale): Risoluzione di problemi pratici collegati alla teoria, quali il calcolo di metriche di performance, l'applicazione di algoritmi su piccoli dataset o la scelta di modelli in scenari specifici.

Obiettivo: Verifica la Conoscenza e capacità di comprensione applicata (saper formulare il problema) e l' Autonomia di giudizio (capacità di analisi sperimentale e valutazione dei risultati).

Per superare l'esame, lo studente deve dimostrare di aver acquisito una conoscenza sufficiente degli argomenti riguardanti i principali paradigmi di apprendimento (supervisionato, non supervisionato e per rinforzo), una conoscenza di base degli algoritmi di classificazione, regressione e delle relative proprietà di convergenza e di essere in grado di applicare correttamente le metriche di valutazione e le metodologie di validazione per analizzare le prestazioni di un modello.

Per conseguire un punteggio massimo con lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso, essendo in grado di raccordarli in modo logico e coerente, mostrando una profonda capacità di analisi critica nella scelta dei modelli e una rigorosa padronanza formale nel discutere le basi teoriche e i criteri di applicabilità delle tecniche di apprendimento automatico.

Dispense distribuite durante il corso

Altri testi per consultazione

• Machine Learning, Tom Mitchell.
• Pattern Recognition and Machine Learning, Chris Bishop
• Machine Learning: a Probabilistic Perspective, Kevin Murphy
• Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville

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.

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.

Introduction to Natural Language Processing

N-gram language models; smoothing; interpolation; backoff

Deep learning for NLP

Introduction to PyTorch and PyTorch Lightning

Monolingual and multilingual word embeddings, sense and concept embeddings

Neural language models: recurrent e Transformer-based (BERT, XLM-RoBERTa, GPT-x, etc.)

Large Language Model: pretraining e finetuning

Computational lexical semantics

Computational lexicons: WordNet

Multilingual semantic networks: BabelNet

Word embeddings vs. contextualized word embeddings vs. sense embeddings

Word Sense Disambiguation and Entity Linking

Multilinguality in Natural Language Processing

Computational sentence-level semantics

Neural Semantic Role Labeling and Semantic Parsing

Natural Language Generation and Question Answering

Neural Machine Translation

Invio di homework + presentazione orale degli stessi.

Jurafsky and Martin. Speech and Language Processing, Prentice Hall, third edition.

Obiettivi generali Il corso fornisce strumenti di base per la programmazione nativa di sistemi robotici e con risorse computazionali limitate. Verranno illustrate le basi del linguaggio C++ e del sistema di middleware robotico ROS.
Obiettivi specifici Lo sara' in grado di comporre un sistema di software per gestire un robot, assemblando componenti esistenti e sviluppandone delle nuove
Conoscenza e comprensione: Lo studente avra' familiarita' con diverse applicazioni robotiche complesse, ne comprendera' la struttura e le interfacce degli algoritmi che operano nei singoli moduli.
Applicare conoscenza e comprensione: Lo sara' in grado di decomporre un'applicazione complessa ed affrontare problemi specifici mediante lo sviluppo di software
Capacità critiche e di giudizio: Lo studente sarà in grado di risolvere problemi specifici nello sviluppo di applicazioni e moduli per robot ad esempio path planner, localizzatori e simulatori di sensori, valutando l'efficienza delle soluzioni proposte.
Capacità comunicative: Lo studente sara' in grado di illustrare una applicazione per il software robotico e di di presentarne le principali problematiche applicative e le soluzioni tecniche riguardanti l'impiego dei robot.
Capacità di apprendimento: Il corso mira al rendere lo studente agile nell'uso di compilatori e simulatori al fine di stimolarne l'autonomia. A tale scopo, nel corso verranno illustrati numerosi esempi di sviluppo live in aula, per evidenziare e risolvere il prima possibile la presenza di errori di design/algoritmici e di compilazione.

Versioning Systems (git)

Compilers/interpreters/virtual machines

Build systems (cmake)

C++ Basics and syntax

C++ Classes

C++ Metaprogramming

C++ Concrete Cases (simulator, registration algorithms)

ROS: Basics and build system

ROS: Robot Setup

ROS: Navigation

• Il calendario delle lezioni e' definito all'inizio dell'anno, in baseall'orario delle aule e corretto in itinere sulla base del feedbackdegli studenti.
• Testi di riferimento: Tutto il materiale e' disponibile attraverso la pagina del corso e testi/appunti/slides ed esercizi sono pubblicamente accessibili tramite gitlab.

Il progetto verra' valutato tenendo conto di

• originalita'
• modalita' di sviluppo (attraverso l'ispezione della storia su git)
• Correttezza rispetto alle specifiche

Tutti i criteri devono essere soddisfatti affinche' la prova abbia esito positivo.

A valle della presentazione del progetto verra' somministrato un questionario in forma scritta per verificare la comprensione

del progetto presentato

All material is available from the webpage of the course and from the associated git repo.

https://sites.google.com/diag.uniroma1.it/robot-programming-2023-24/home

Registrazioni delle lezioni sono disponibili nella pagina dell' aa 2021/22.

https://sites.google.com/diag.uniroma1.it/robotprogramming202122/home

Obiettivi generali. Il corso fornisce strumenti di base per il controllo dei sistemi robotici: analisi cinematica, pianificazione e programmazione dei movimenti di robot manipolatori in ambienti industriali e di servizio.
Obiettivi specifici. Conoscenza e comprensione: Lo studente apprenderà il funzionamento dei componenti di attuazione e sensoriali dei robot, i metodi di base per la modellistica, l'analisi e il controllo cinematico di manipolatori robotici, nonché gli algoritmi per la pianificazione delle traiettorie di moto.
Applicare conoscenza e comprensione: Lo studente sarà in grado di analizzare le strutture cinematiche dei robot di tipo industriale e di progettare algoritmi e moduli per la pianificazione e il controllo della movimentazione.
Capacità critiche e di giudizio: Lo studente sarà in grado di individuare le caratteristiche funzionali di un sistema robotico con riferimento al tipo di compito industriale o di servizio, di analizzarne la complessità di realizzazione, le possibili prestazioni e le eventuali debolezze.
Capacità comunicative: Il corso mette in grado lo studente di presentare le principali problematiche applicative e le soluzioni tecniche riguardanti l'impiego dei robot.
Capacità di apprendimento: Il corso mira a creare attitudini di apprendimento autonomo orientate all'analisi e alla soluzione di problemi connessi all'uso dei robot.

URL: http://www.diag.uniroma1.it/deluca/rob1_en.php

Sono illustrate le tipologie di robot manipolatori nelle applicazioni industriali e di servizio. Si presentano i principali componenti meccanici, di attuazione e sensoriali, con le architetture di controllo e la loro programmazione. Si analizzano i modelli della cinematica (diretta, inversa, differenziale) dei robot manipolatori. Si descrivono i metodi di pianificazione delle traiettorie di moto nello spazio dei giunti e nello spazio operativo. Si introducono infine alcuni schemi di controllo di tipo cinematico e di tipo dinamico decentralizzato (dei singoli assi di un manipolatore).

• vedi http://www.diag.uniroma1.it/deluca/rob1_en/material_rob1_en.html

Prova scritta, seguita eventualmente da un esame orale.

B. Siciliano, L. Villani, G. Oriolo, A. De Luca

"Foundations of Robotics", Springer, September 2025.

https://link.springer.com/book/10.1007/978-3-031-85523-8 (eBook, Hardcover, Softcover)

(libro di testo precedente: B. Siciliano, L. Sciavicco, L. Villani, G. Oriolo

"Robotics: Modelling, Planning and Control", 3rd Edition, Springer, 2009)

Obiettivi generali. Il corso fornisce strumenti avanzati per il controllo dei sistemi robotici: uso della ridondanza cinematica, analisi della dinamica dei robot manipolatori, comando in feedback dei movimenti, incluso il caso di asservimento visuale, e controllo dell'interazione con l'ambiente.
Obiettivi specifici. Conoscenza e comprensione: Lo studente apprenderà i metodi per la modellistica dinamica dei manipolatori, le tecniche di utilizzo della ridondanza cinematica, la progettazione di schemi di controllo del moto e dell'interazione con l'ambiente.
Applicare conoscenza e comprensione: Lo studente sarà in grado di analizzare la dinamica dei manipolatori robotici e di progettare algoritmi e moduli per il controllo del moto libero e delle forze di contatto con l'ambiente.
Capacità critiche e di giudizio: Lo studente sarà in grado di individuare le caratteristiche dinamiche di un sistema robotico con riferimento al tipo di compito, di analizzarne la complessità di realizzazione, le possibili prestazioni e le eventuali debolezze.
Capacità comunicative: Il corso mette in grado lo studente di presentare le problematiche avanzate e le relative soluzioni tecniche riguardanti l'uso dei robot in condizioni dinamiche.
Capacità di apprendimento: Il corso mira a creare attitudini di apprendimento autonomo orientate all'analisi e alla soluzione di problemi avanzati connessi all'uso dei robot.

URL: http://www.diag.uniroma1.it/deluca/rob2_en.php

Aspetti avanzati di modellistica cinematica per robot manipolatori (calibrazione, gradi di libertà ridondanti e il loro impiego). Metodi per la derivazione e l'uso delle equazioni dinamiche dei robot (Eulero-Lagrange e Newton-Eulero) e la relativa identificazione parametrica. Presenza di elasticità delle trasmissioni/giunti. Schemi di controllo lineare e non lineare per la regolazione di posizione (PD con compensazione della gravità, PID saturato, apprendimento iterativo) e l'asservimento di traiettoria (linearizzazione esatta e disaccoppiamento, controllo passivo, controllo adattativo, controllo robusto) nel moto libero, nonché nell'interazione ambientale (controllo di cedevolezza, di ammettenza, di impedenza e ibrido forza/velocità). Asservimento visuale (con enfasi sull'approccio cinematico per l'image-based visual servoing). Diagnosi dei guasti di attuatori di robot.

• vedi http://www.diag.uniroma1.it/deluca/rob2_en/material_rob2_en.html

Prova scritta e/o valutazione di un progetto, seguita eventualmente da un esame orale.

B. Siciliano, L. Villani, G. Oriolo, A. De Luca

"Foundations of Robotics", Springer, September 2025.

https://link.springer.com/book/10.1007/978-3-031-85523-8 (eBook, Hardcover, Softcover)

(libro di testo precedente: B. Siciliano, L. Sciavicco, L. Villani, G. Oriolo

"Robotics: Modelling, Planning and Control", 3rd Edition, Springer, 2009)

Fra le altre attività formative sono previsti 12 CFU sono a scelta dello studente.

Obiettivi generali Il corso presenta metodi avanzati di analisi e sintesi per il controllo nonlineare o basato su metodi di ottimizzazione di sistemi sottoattuati quali bipedi (umanoidi) e quadrupedi.
Obiettivi specifici
Conoscenza e comprensione: Gli studenti impareranno ad usare metodi di controllo nonlineare e basati sull’ottimizzazione per la pianificazione di traiettorie e il controllo di robot sottoattuati.
Applicare conoscenza e comprensione: Gli studenti saranno in grado di determinare il livello di sottoattuazione e di scegliere il metodo di controllo più appropriato.
Capacità critiche e di giudizio: Lo studente sarà in grado di controllare un sistema sottoattuato quale un umanoide o un quadrupede.
Capacità comunicative: Sono previste sessioni di progettazione interattive.
Capacità di apprendimento: Il corso mira a creare attitudini di apprendimento autonomo orientate all'analisi e alla soluzione di problemi connessi all'uso dei robot sottoattuati.

Obiettivi generali
Il corso presenta i metodi di base per dotare i sistemi robotici robot di mobilità e autonomia.
Obiettivi specifici
Conoscenza e comprensione: Lo studente apprenderà (1) i metodi di base per la modellistica, l'analisi e il controllo dei robot mobili su ruote e su gambe, e (2) gli algoritmi per la pianificazione autonoma del moto.
Applicare conoscenza e comprensione: Lo studente sarà in grado di analizzare e progettare architetture, algoritmi e moduli per la pianificazione, il controllo e la localizzazione di robot mobili autonomi.
Capacità critiche e di giudizio: Lo studente sarà in grado di scegliere l'architettura di controllo funzionale più adeguata per uno specifico sistema robotico e di analizzarne la complessità e le eventuali debolezze.
Capacità comunicative: Le attività del corso metteranno lo studente in grado di comunicare/condividere le principali problematiche concernenti i robot mobili autonomi, nonché le possibili scelte progettuali per il controllo di tali sistemi.
Capacità di apprendimento: Le modalità di svolgimento del corso mirano a creare una forma mentis dello studente orientata allo sviluppo di moduli per la mobilità autonoma dei robot.

Introduzione: applicazioni, problemi, architetture. Spazio delle configurazioni. Robot mobili su ruote: meccanica dei robot mobili, modelli cinematici di robot mobili, pianificazione di cammino/traiettoria, controllo: inseguimento di traiettoria e regolazione. Percezione: sensori per robot mobili. Localizzazione: localizzazione odometrica, localizzazione con filtro di Kalman, localizzazione basata sui landmark e SLAM. Pianificazione del movimento: ritrazione e decomposizione in celle, pianificatori probabilistica, campi di potenziali artificiali. Robot umanoidi: introduzione, modellistica dinamica, generazione e controllo dell'andatura. Casi di studio.

• vedere https://www.diag.uniroma1.it/oriolo/amr/

(1) Prova intermedia + progetto finale, oppure (2) esame finale

Slides e materiale didattico sul sito del corso.

B. Siciliano, L. Sciavicco, G. Oriolo, A. De Luca. Foundations of Robotics, Springer, 2025.

Obiettivi generali:
L'obiettivo del corso, che è il più avanzato all'interno della Laurea Magistrale in Intelligenza Artificiale e Robotica, e' fornire una panoramica applicativa ai seguenti temi di ricerca: metodi di apprendimento nella visione computazionale, riconoscimento di modelli, interazione persona-robot e robot cognitivi.
Gli argomenti sono esposti da ricercatori attivi nei campi indicati allo scopo di presentare allo studente problemi di ricerca e temi di applicazione rilevanti e recenti nel campo dell'Intelligenza Artificiale e della Robotica. 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: Il corso e' il piu' avanzato in The Master for Artificial Intelligence e Robotica ed offre una panoramica di diversi argomenti di ricerca, quali: metodi di apprendimento nella visione computazionale, riconoscimento di pattern, interazione persona-robot, e ragionamento automatico nei robot. 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.

Obiettivi generali ​Il corso presenta in forma seminariale argomenti avanzati di Robotica ed è pensato come introduttivo all’attività di ricerca. Attraverso esemplificazioni tratte dalle attività di ricerca dei docenti, lo studente sarà in grado di affrontare completamente un problema di Robotica, dalla sua analisi alla proposta di metodi di soluzioni e alla loro realizzazione.
Obiettivi specifici
Conoscenza e comprensione: Lo studente apprenderà alcune tecniche avanzate di controllo utilizzate in settori della robotica nei quali i docenti svolgono attività di ricerca.
Applicare conoscenza e comprensione: Lo studente sarà in grado di analizzare e progettare sistemi di controllo complessi a problematica di controllo avanzato in ambito robotico.
Capacità critiche e di giudizio: Lo studente sarà in grado di valutare alcune metodologie utilizzate nei diversi settori robotici applicativi illustrati.
Capacità comunicative: Le attività del corso metteranno lo studente in grado di comprendere e condividere possibili soluzioni adottate in ambito della ricerca nei diversi settori applicativi illustrati.
Capacità di apprendimento: Le modalità di svolgimento del corso mirano a creare una capacità di progettare sistemi di controllo complessi nell'ambito della robotica avanzata.

Obiettivi Generali Il corso "Network Infrastructures" fornisce una visione approfondita delle principali architetture, protocolli e tecnologie delle infrastrutture di rete moderne, con particolare attenzione alle reti di accesso a banda larga sia cablate che wireless, alle reti di trasporto ottiche e alle soluzioni di rete wireless di nuova generazione. Gli studenti acquisiranno una conoscenza dettagliata delle tecnologie e dei protocolli fondamentali per la configurazione e la gestione delle infrastrutture di reti, affrontando sia aspetti teorici che pratici. Il corso include esercitazioni su configurazioni di rete basate su strumenti di simulazione/emulazione avanzati, per sviluppare competenze applicative e operative essenziali nel settore delle telecomunicazioni. Inoltre, verranno analizzate le principali soluzioni per la sicurezza delle reti e il supporto della Qualità di Servizio (QoS), preparando gli studenti a comprendere e affrontare le sfide emergenti nell’ambito delle infrastrutture di rete.
Obiettivi Specifici Conoscenza e capacità di comprensione: Gli studenti acquisiranno una comprensione approfondita delle architetture di rete, delle tecnologie di accesso (xDSL, PON, LTE, 5G), dei protocolli di trasporto (OTN, MPLS) e dei meccanismi di instradamento.
Capacità di applicare conoscenza e comprensione: Gli studenti saranno in grado di configurare, analizzare e risolvere problematiche relative a reti IP utilizzando strumenti di simulazione come Kathara.
Autonomia di giudizio: Gli studenti svilupperanno la capacità di valutare criticamente le diverse tecnologie di rete e selezionare soluzioni ottimali in base ai requisiti di sicurezza, prestazioni e scalabilità.
Abilità comunicative: Gli studenti saranno in grado di presentare in modo chiaro e strutturato le caratteristiche delle tecnologie di rete, sia in contesti tecnici che divulgativi.
Capacità di apprendimento: Il corso fornirà le basi metodologiche per affrontare l’evoluzione continua delle tecnologie di rete e approfondire autonomamente nuove soluzioni e standard emergenti nel settore delle telecomunicazioni.

Introduzione alle infrastrutture di rete

• Introduzione alle architetture delle reti, descrizione delle aree funzionali [2h].
• Presentazione delle differenti metodologie di accesso cablate e wireless, terrestri e non terrestri [2h].

Accesso alla rete cablato e wireless

• Reti di accesso in rame a banda larga [3h]
• ADSL e VDSL, soluzioni di networking [5h]
• Accesso basato su fibra: FTTX e PON e relative evoluzioni [3h]
• Reti wireless Multihop/3G/4G [2h]
• Reti wireless non terrestri [2h]
• La famiglia Wi-xx [2h]
• Sistemi 4G: LTE e LTE-A [5h]
• Evoluzione 5G [1h]

Trasporto in rete e controllo di rete

• Introduzione alle reti ottiche [5h]
• Optical Transport Network [2h]
• Management e Control di reti WDM [5h]
• Multi Protocol Label Switching [5h]
• Architetture per la Quality of Service [5h]
• Inter Domain Routing e Border Gateway Protocol [3h]

Esercitazioni su configurazioni di rete su Kathara

• IP addressing [2h]
• IP routing [2h]
• DNS [2h]
• VPN [2h]
• Firewall [2h]
• Reti di accesso [20h]
• Testi di riferimento: materiale didattico a cura del docente
• Reti di trasporto [20h]
• Testi di riferimento: materiale didattico a cura del docente
• esercitazioni di laboratorio [20h]
• Testi di riferimento: materiale didattico a cura del docente

L'esame e' diviso in due parti: PARTE 1) parte pratica su kathara (da svolgere al PC, vale max 22 punti), avente la finalità di verificare la capacità dello studente di configurare correttamente gli apparati di rete; PARTE 2) parte teorica (2 domande di teoria a risposta aperta, valgono max 10 punti), volta a valutare l'apprendimento degli aspetti teorici presentati durante il corso. Durante il semestre la parte pratica su kathara viene svolta attraverso degli homework valutati durante i corso.

Durante il semestre verranno anche svolte due prove in itinere come test che danno diritto a dei punti bonus.

Gli homework ed eventuali punti bonus presi durante il corso saranno spendibili solo negli appelli di Gennaio/Febbraio.

A partire da Marzo l'esame si svolgerà svolgendo interamente la PARTE 1) e la PARTE 2) in aula durante l’appello.

Lucidi del corso e articoli disponibili sul sito web del corso e sulla piattaforma Moodle

Lucidi del corso e articoli disponibili sul sito web del corso e sulla piattaforma Moodle

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.

La prima parte del corso si focalizzerà su alcuni argomenti di base, che includono:

• Introduzione al corso (obiettivi, testi, esame)
• Preliminari: algebra lineare per reti neurali, regressione e classificazione lineare, reti neurali fully-connected, differenziazione automatica di programmi (forward e backward, prodotti Jacobiani-vettori, checkpointing)
• Reti neurali convolutive
• Progettare reti neurali convolutive moderne
• Modelli basati sull'attenzione per sequenze, multi-head attention, embedding posizionali
• Modelli ricorrenti per sequenze di lunghezza variabile

La seconda parte del corso si focalizzerà su alcuni argomenti di ricerca a vari livelli di complessità ed approfondimento:

• Graph neural network
• Continual learning
• Modelli generativi
• Self-supervised models

Il corso include anche diverse lezioni pratiche che spaziano da PyTorch a JAX.

Il corso include uno o più homework (di complessità variabile), di modo che gli studenti possano auto-valutare le proprie conoscenze. L'esame è diviso in un progetto pratico (che richiede la parziale re-implementazione di un articolo scientifico recente), ed una valutazione orale.

Dive Into Deep Learning (https://d2l.ai/), disponibile online. Inoltre, verrano usate le slide ed il materiale condiviso sul sito del corso.

• 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.

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.

La prova finale consiste nella presentazione e discussione di un attività progettuale e di una relazione, supervisionata da un docente, nella quale lo studente dimostra di aver raggiunto una padronanza delle metodologie proprie dell'Ingegneria Informatica e/o della loro applicazione.

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.

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.

Il corso offre allo studente la possibilità di approfondire le proprie conoscenze attraverso una serie di seminari su argomenti di ricerca presentati da ricercatori e studiosi in Intelligenza Artificiale e Robotica. Il corso prevede lo studio di articoli scientifici relativi agli sviluppi più recenti nel settore con la presentazione dei contenuti da parte degli studenti in forma seminariale.

Il programma tratta diversi argomenti relativi allo stato dell'arte delle ricerche in Artificial Intelligence and Robotics

Esposizione del contenuto di un articolo scientifico

Nessun testo specifico