Intelligenza Artificiale

INTELLIGENZA ARTIFICIALE -
AUTONOMOUS AGENTS AND INTELLIGENT ROBOTICS
Conoscenza e Comprensione
cc8 - Conoscere le tecniche di modellazione stocastica.
cc12 - Conoscere i metodi e modelli principali per la modellazione di agenti autonomi e le loro applicazioni nella robotica intelligente.
Capacità di Applicare Conoscenza e Comprensione
ca12 - Utilizzare strumenti tecnici e relative soluzioni algoritmiche nei settori del supervised learning, unsupervised learning, reinforcement learning e modelli generativi.
ca14 - Applicare metodi e modelli per la modellazione di agenti autonomi in contesti di robotica intelligente.
Autonomia di Giudizio
ag1 - Maturare la capacità di identificare, localizzare e ottenere i dati richiesti per le analisi.
ag2 - Sviluppare la capacità di progettazione e conduzione di indagini analitiche utilizzando modelli e tecniche sperimentali.
ag3 - Acquisire la capacità di interpretare dati provenienti dalla realtà o da simulazioni, utilizzando le basi modellistiche, informatiche e statistiche apprese.
ag4 - Valutare criticamente dati e risultati per trarre conclusioni informate.
Capacità di Apprendimento
ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati progettuali e relazioni.
INGEGNERIA INFORMATICA

• MULTIAGENT SYSTEMS
  Conoscenza e Comprensione
  cc6 - Conoscenze di modelli e metodologie di progetto, sviluppo e verifica di moduli di elaborazione basati su apprendimento automatico e della loro integrazione con modelli basati sulla conoscenza.
  Capacità di Applicare Conoscenza e Comprensione
  ca5 - Adottare un approccio ingegneristico ed ispirato alla ottimizzazione per l'analisi e risoluzione di problemi.
  Autonomia di Giudizio
  ag2 - Formulare, in maniera autonoma e con approccio interdisciplinare, considerazioni rigorose e tecnicamente valide sui temi e progetti affrontati.
  Capacità di Comunicazione
  ac1 - Presentare i risultati della propria attività in forma scritta e orale con caratteristiche di organicità e rigore tecnico.
  ac2 - Comunicare informazioni, idee, problemi e soluzioni a specialisti del settore e a interlocutori non specialisti, in lingua italiana o inglese.
  Capacità di Apprendimento
  ap1 - Aggiornarsi in autonomia rispetto al rapido evolversi delle tecnologie dell’ingegneria informatica e, più in generale, dell’ingegneria dell’informazione.
  ap2 - Organizzare e gestire in modo indipendente il proprio percorso di apprendimento, sviluppando capacità di analisi e approfondimento sia in contesti guidati sia in attività autonome.
  ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati analitici o progettuali, e nelle relazioni delle attività svolte.
  ROBOTICS, AUTOMATION, AND ELECTRICAL ENGINEERING -
  AUTONOMOUS AGENTS AND INTELLIGENT ROBOTICS
  Conoscenza e Comprensione
  cc2 - La conoscenza sistemistica delle metodologie, delle tecnologie e degli aspetti applicativi della robotica e della meccatronica.
  cc3 - La conoscenza sistemistica delle metodologie, delle tecnologie e degli aspetti applicativi dell’automatica.
  cc6 - La conoscenza delle tecniche dell’intelligenza artificiale con particolare riferimento alla loro applicazione nei settori della robotica, dell'automazione e dell'ingegneria elettrica.
  cc12 - La conoscenza dei sistemi di guida, navigazione e controllo di veicoli e sistemi multiveicolo a guida autonoma e semiautonoma di tipo stradale, ferroviario, aereo, marino di superficie e subacqueo, spaziale.
  cc15 - La conoscenza degli strumenti per l’analisi dei dati e delle tecniche di ottimizzazione, anche mediante metodi dell’intelligenza artificiale.
  Capacità di Applicare Conoscenza e Comprensione
  ca2 - Applicare le conoscenze teoriche acquisite per lo sviluppo e l’applicazione di sistemi innovativi nei settori della robotica, dell’automazione e dell’ingegneria elettrica.
  Capacità di Apprendimento
  ap2 - Capacità di affrontare in modo efficace e originale le mutevoli problematiche connesse con l'innovazione nell'ambito delle tecnologie della robotica, dell'automazione e dell'ingegneria elettrica.

Gli argomenti trattati comprendono: modelli di agenti intelligenti e sistemi multi-agente, algoritmi distribuiti di controllo ed elaborazione dei dati, reinforcement learning, applicazioni (navigazione di robot, reti di sensori, sistemi multi-robot, controllo di formazione, apprendimento automatico su reti, ecc.).

L’accertamento del raggiungimento degli obiettivi formativi avviene mediante una prova orale finale, che può prevedere sia lo svolgimento di esercizi su carta sia domande teoriche e discussione sui contenuti del corso.
Gli esercizi su carta sono finalizzati a verificare la capacità di applicare le conoscenze acquisite alla modellazione, analisi e progettazione di agenti autonomi intelligenti, sistemi multi-agente e sistemi robotici intelligenti. Essi consentono inoltre di valutare l’autonomia di giudizio nella scelta e nell’impiego di modelli, metodi e strumenti adeguati allo specifico problema considerato.
Le domande teoriche e la discussione orale sono finalizzate a valutare la conoscenza e la comprensione delle architetture, dei modelli e delle metodologie di riferimento per agenti autonomi intelligenti e robotica intelligente, la capacità di esporre e argomentare in modo chiaro, rigoroso e coerente i concetti trattati e le soluzioni proposte, nonché la preparazione individuale e la capacità di collegare e approfondire autonomamente i contenuti del corso.
La valutazione tiene conto dei seguenti criteri: completezza, correttezza e rigore delle risposte; padronanza del linguaggio tecnico; chiarezza espositiva; capacità di ragionamento, sintesi e collegamento tra i diversi argomenti trattati; appropriatezza delle scelte metodologiche; grado di autonomia nella risoluzione dei problemi proposti.
Non sono previste prove intermedie né attività facoltative a integrazione dell’esame finale.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Slides fornitie dal docente (disponibili su Moodle). Articoli scientifici selezionati per approfondimento.

imparare ad progettare, usare e comprendere architetture big data
Con riferimento ai descrittori di Dublino:
Conoscenza e Comprensione:
cc4-conoscenze avanzate di modelli ed architetture per l'elaborazione di grandi quantità di dati attraverso architetture parallele, distribuite, scalabili e ad elevata resilienza
Capacità di Applicare Conoscenza e Comprensione:
ca1-Progettare, sviluppare e verificare sistemi informatici, anche di elevata complessità valutandone le prestazioni
ca2-Coordinarsi e collaborare con esperti di settore per la specifica dei requisiti ed il collaudo di un sistema informatico;
ca4-Progettare e svolgere esperimenti per caratterizzare il funzionamento di un sistema, analizzare ed interpretare i risultati
ca6-Saper proporre soluzioni innovative nel proprio dominio di competenza
ca9-Elaborare modelli e utilizzare strumenti per sviluppare, verificare e valutare sistemi software complessi tra cui: applicazioni web di scala enterprise, applicazioni di supporto alle decisioni, sistemi embedded e real-time.
ca10-Progettare, analizzare, e gestire sistemi distribuiti di elaborazione dell’informazione, valutandone ed ottimizzandone le prestazioni
Autonomia di Giudizio:
ag1 - analizzare problemi complessi dell’ingegneria informatica, valutando criticamente metodi e soluzioni.
ag2 - formulare, in maniera autonoma e con approccio interdisciplinare, considerazioni rigorose e tecnicamente valide sui temi e progetti affrontati
Capacità di Comunicazione:
ac1 - presentare i risultati della propria attività in forma scritta e orale con caratteristiche di organicità e rigore tecnico.
ac2 - comunicare informazioni, idee, problemi e soluzioni a specialisti del settore e a interlocutori non specialisti, in lingua italiana o inglese.
Capacità di Apprendimento:
ap1 - aggiornarsi in autonomia rispetto al rapido evolversi delle tecnologie dell’ingegneria informatica e, più in generale, dell’ingegneria dell’informazione.
ap2 - organizzare e gestire in modo indipendente il proprio percorso di apprendimento, sviluppando capacità di analisi e approfondimento sia in contesti guidati sia in attività autonome.
ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati analitici o progettuali, e nelle relazioni delle attività svolte.

-- big data concepts
-- big data stores
-- cloud management: virtual machine e container
-- Big data computing
-- Performance analysis
-- IOT architecture and solutions
-- big data analytic
-- Big data architectures
Durante il corso saranno effettuate esercitazioni su cluster hadoop, mapreduce, IOT application, containers, elastic search, twitter vigilance.

colloquio orale sulle conoscenze acquisite nel corso, con analisi e argomentazione di casi critici; or small project
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

several

Il corso presenta metodi e modelli di ottimizzazione avanzati orientati alle applicazioni di interesse per l’ingegneria gestionale e in particolare alla gestione ottimizzata della produzione, all’organizzazione, ai modelli di prescriptive analytics. I contenuti del corso sono trasversali e rilevanti per molti ruoli previsti dal progetto formativo. In particolare il progettista e gestore di sistemi di produzione (RM1) apprenderà tecniche di data science per lo sviluppo di modelli predittivi, il Service Manager (RM3) apprenderà metodi avanzati la gestione ottimizzata delle risorse, l’Operations and supply chain manager apprenderà metodi avanzati per la programmazione della produzione Le conoscenze erogate saranno le seguenti: A partire da una solida preparazione matematica di base verrà sviluppata conoscenza nell’ambito della teoria e degli algoritmi di ottimizzazione sia discreti che continui (cc1) e dei principali metodi di machine learning per la classificazione automatica (cc1). In questi ambiti verranno approfonditi gli aspetti applicativi nel contesto dell’ingegneria gestionale (cc7) e, anche attraverso sessioni di laboratorio (ca1), verranno analizzate criticamente le applicazioni di quanto presentato nel corso a casi concreti (cc7, cc8). Gli studenti saranno in grado di combinare teoria e pratica per la soluzione di problemi di ingegneria ed organizzativi, in contesti complessi e sapranno utilizzare alcuni strumenti di data mining e machine learning (ca5). In generale l’approccio della ricerca operativa presentato nel corso sarà orientato a sviluppare la capacità di utilizzare la teoria, gli algoritmi e l’esperienza pratica per risolvere problemi di multidisciplinari (ca7) Durante il corso gli studenti dovranno saper argomentare sia in forma scritta (ct1) che in forma verbale (ct3) quanto appreso, nonché i risultati di un elaborato informatico (ct4) che prevede l'analisi critica di dati reali (ct10) e della loro elaborazione (ct5). Una parte del corso sarà offerta in modalità flipped e gli studenti dovranno fare auto-apprendimento, seguito da discussione in aula (ct7). Il materiale del corso è in lingua inglese ed è richiesta una conoscenza adeguata (ct11).
COMBINATORIAL OPTIMIZATION:
Ingegneria Informatica Magistrale
Conoscenza e Comprensione
cc1 - Conoscenze avanzate di modelli e metodologie di progetto, sviluppo e verifica di sistemi software complessi
cc5 - Conoscenze avanzate di modelli e metodi propri della ricerca operativa per l'ottimizzazione di sistemi complessi;
Capacità di Applicare Conoscenza e Comprensione
ca5 - Adottare un approccio ingegneristico ed ispirato alla ottimizzazione per l'analisi e risoluzione di problemi
ca8 - Formalizzare e risolvere problemi complessi di ottimizzazione e elaborazione dell’informazione
Autonomia di Giudizio
ag1 - Analizzare problemi complessi dell’ingegneria informatica, valutando criticamente metodi e soluzioni
ag2 - Formulare, in maniera autonoma e con approccio interdisciplinare, considerazioni rigorose e tecnicamente valide sui temi e progetti affrontati
Capacità di Comunicazione
ac1 - Presentare i risultati della propria attività in forma scritta e orale con caratteristiche di organicità e rigore tecnico
ac2 - Comunicare informazioni, idee, problemi e soluzioni a specialisti del settore e a interlocutori non specialisti, in lingua italiana o inglese
Capacità di Apprendimento
ap2 - Organizzare e gestire in modo indipendente il proprio percorso di apprendimento, sviluppando capacità di analisi e approfondimento sia in contesti guidati sia in attività autonome.
ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati analitici o progettuali, e nelle relazioni delle attività svolte.
Intelligenza Artificiale
Conoscenza e Comprensione
cc2 - Applicare tecniche di ottimizzazione continua e combinatoria per risolvere problemi pratici.
Autonomia di Giudizio
ag1 - Maturare la capacità di identificare, localizzare e ottenere i dati richiesti per le analisi.
ag2 - Sviluppare la capacità di progettazione e conduzione di indagini analitiche utilizzando modelli e tecniche sperimentali.
ag3 - Acquisire la capacità di interpretare dati provenienti dalla realtà o da simulazioni, utilizzando le basi modellistiche, informatiche e statistiche apprese.
ag4 - Valutare criticamente dati e risultati per trarre conclusioni informate.
Capacità di Comunicazione
ac2 - Presentare in forma scritta, verbale o multimediale argomentazioni e risultati di studio o lavoro.
ac3 - Dimostrare un livello adeguato di conoscenza della lingua inglese, sia nella comprensione delle fonti che nella comunicazione delle proprie idee.
Capacità di Apprendimento
ap1 - Sviluppare capacità di apprendimento autonomo e auto-diretto, riconoscendo la necessità di un apprendimento continuo.
ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati progettuali e relazioni.

1. Modelli con variabili binarie ed intere. 2. Algoritmi per la risoluzione di problemi di Ottimizzazione Combinatoria.

Esame scritto od orale attraverso il quale si verifica mediante quesiti e domande teoriche: - la capacità di formulare problemi di ottimizzazione combinatoria e su rete; - la capacità di descrivere e utilizzare algoritmi di ottimizzazione combinatoria; - la capacità di adattare modelli e algoritmi di ottimizzazione combinatoria per la soluzione di problemi complessi previa identificazione della loro struttura.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Integer Programming (L. Wolsey) Network Flows: Theory, Algorithms, and Applications (R.K. Ahuja, T.L. Magnanti, J.B. Orlin) Optimization Models (F. Schoen) Controlla la bibliografia su onesearch. Per aiuto contatta la tua biblioteca

Il corso intende dotare lo studente di strumenti teorici e pratici
per l'analisi computazionale (a partire da modelli espliciti basati sulla geometria e sulla fisica della visione) di immagini singole, collezioni di immagini e sequenze video.
Tali conoscenze sono finalizzate allo sviluppo di sistemi e algoritmi di computer vision
2D e 3D, con applicazioni nei più svariati campi, quali
la robotica autonoma e la guida automatica, la fruizione e preservazione dei beni culturali,
gli ausili per disabili, l'automazione industriale, l'interazione avanzata uomo-macchina basata su movimenti e gesti,
la grafica 2D/3D interattiva ed adattativa, l'informatica forense.

1. LA VISIONE NELL'UOMO E NELLA MACCHINA: ASPETTI COMPUTAZIONALI
2. FORMAZIONE DELL'IMMAGINE
3. VISIONE MONOCULARE: VISTE DI SINGOLI PIANI
4. REGISTRAZIONE DI IMMAGINI
5. TELECAMERE: MODELLI E CALIBRAZIONE
6. Ricostruzione 3D densa da sequenze video.
7. ALGORITMI DI STEREOPSI, Stereo fotometrico.
8. RICOSTRUZIONE 3D DA VISTE SINGOLE E MULTIPLE
9. APPLICAZIONI: Beni culturali, Realta' aumentata, INTERAZIONE UOMO-MACCHINA,
ROBOTICA avanzata, MULTIMEDIA, Informatica forense, etc.

Esame orale. Il colloquio prende avvio dalla teoria di uno degli argomenti in programma, che si chiede di illustrare in dettaglio. Seguono domande di ordine pratico-realizzativo, ed esercizi volti a verificare la comprensione della teoria come strumento per risolvere problemi reali.
Elaborato o ricerca bibliografica (solo studenti 9 CFU). L'elaborato verte sulla scrittura di un programma (in MATLAB, C++ o Python) per la soluzione di un semplice problema attraverso le tecniche studiate nel corso o altre tecniche che il candidato desideri approfondire. Al programma deve essere allegata una relazione che descriva i dettagli matematici e di implementazione degli algoritmi impiegati. La ricerca bibliografica (anch'essa proponibile dallo stesso studente) consiste in una review di una particolare tecnica di visione (es. algoritmi per il calcolo della disparita' stereo) alla luce della letteratura recente, ovvero nell'approfondimento di un ambito applicativo della visione (es. algoritmi di visione per l'industria cinematografica).
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

1. Hartley and Zisserman, MULTIPLE VIEW GEOMETRY IN COMPUTER VISION.
Cambridge University Press, 2003 (2nd edition).
2. Torralba, Isola and Freeman, FOUNDATIONS OF COMPUTER VISION. MIT Press, 2024.
Su diversi argomenti saranno messi a disposizione
degli studenti sia appunti di lezione che articoli in lingua inglese tratti dalla
letteratura recente.

Obiettivo del corso è quello di fornire le conoscenze e capacità necessarie a progettare e sviluppare sistemi che permettano di estrarre conoscenza da grandi quantità di dati con particolar riferimento ad applicazioni nell'ambito di sistemi di analisi di documenti.

• Conoscenza delle tecniche di base del Data Mining che consentono di modellare grandi
  quantità di dati ed estrarne informazione utile.
• Conoscenza delle problematiche relative all'estrazione di informazione da documenti sia testuali che non testuali.
• Conoscenza dei principali modelli e algoritmi in Information Retrieval e Natural Language Processing

Datawarehouse, Frequent Itemsets, Dimensionality Reduction, Clustering, Locality sensitive hashing, Text mining, Linguistic pre-processing,

Durante il corso è prevista l'analisi di un articolo scientifico e la sua presentazione ai colleghi durante le lezioni.
La verifica finale consta di una relazione in cui si approfondisce quanto presentato a lezione e di una prova orale.
Nel complesso la verifica deve permettere allo studente di mostrare le capacità di:

• Saper analizzare un problema pratico e progettare una sua soluzione
• Saper applicare le principali tecniche descritte durante il corso tramite implementazione di un modulo software o tramite analisi teorica
• Saper interagire con colleghi per portare avanti lo svolgimento del progetto
• Saper descrivere in modo accurato in forma scritta la ricerca svolta
• Saper descrivere metodi ed algoritmi degli argomenti trattati nel corso
  Tabella docimologica di valutazione
  Insufficiente
  Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
  18–22
  Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
  23–25
  Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
  26–28
  Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
  29–30 e Lode
  Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
  La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Principali libri di testo:
A. Rajaraman, J. D. Ullman, Mining of Massive Datasets, Cambridge University Press , 2011
P.-N. Tan, M. Steinbach, A. Karpatne, V. Kumar Introduction to Data Mining, Pearson - 2019
D. Jurafsky, J. H. Martin, Speech and Language Processing, 2020
D. Sarkar, Text Analytics with Python, Apress, 2019
Ulteriori letture:
Ian Witten, Text Mining - 2004
C.D. Manning, P. Raghavan, P. Raghavan, Introduction to Information Retrieval, Cambridge University Press – 2008
Dettagli sulla disponibilità dei libri on-line o in biblioteca sono forniti nella pagina moodle del corso

Sarete in grado di comprendere e applicare algoritmi e architetture all'avanguardia, di cogliere i dettagli metodologici rilevanti e di operare secondo le prassi attuali. Il deep learning è un campo in rapida evoluzione. Per avere successo nella vostra futura carriera dovrete sviluppare competenze sufficienti per leggere e comprendere con competenza gran parte della letteratura attuale e futura (sì, una forma di meta-apprendimento). Pertanto, dopo aver completato con successo questo corso, dovreste essere in grado di comprendere, reimplementare e valutare autonomamente molti algoritmi innovativi, con un aiuto o una guida limitati da parte di un supervisore.

Il corso ha l’obiettivo di fornire agli studenti una visione avanzata e applicativa delle moderne tecniche di Deep Learning, con particolare attenzione all’utilizzo di modelli allo stato dell’arte in scenari reali.
Al termine del corso, lo studente sarà in grado di:

• comprendere e discutere criticamente architetture e metodi avanzati di Deep Learning per applicazioni di computer vision, linguaggio naturale, multimodali e reinforcement learning;
• utilizzare framework e strumenti software moderni per sperimentare con modelli neurali profondi, inclusi modelli pre-addestrati e tecniche di adattamento;
• applicare tecniche di transfer learning, domain adaptation, model compression e continual learning in contesti applicativi;
• comprendere i principi dei Transformer e il loro impiego in modelli linguistici, visione artificiale e sistemi multimodali;
• comprendere i fondamenti del Deep Reinforcement Learning e alcune sue applicazioni, inclusi policy gradient, Deep Q-Learning e reinforcement learning from human feedback;
• analizzare problematiche trasversali come adversarial learning, robustezza, incertezza, out-of-distribution detection ed explainable AI;
• realizzare esperimenti pratici, documentare i risultati e organizzare il codice in modo chiaro e riproducibile; e
• presentare in modo sintetico, critico e tecnicamente accurato un articolo recente della letteratura scientifica sul Deep Learning.
  Con riferimento ai Descrittori di Dublino:
  INTELLIGENZA ARTIFICIALE
  Conoscenza e Comprensione
  cc1 - Comprendere i fondamenti teorici del machine learning, inclusi gli aspetti statistici e matematici.
  cc3 - Riconoscere e utilizzare le principali tecniche di pattern recognition e machine learning, sia supervisionato che non supervisionato, per analizzare dati eterogenei.
  cc4 - Comprendere e applicare le tecniche fondamentali di deep learning per diverse modalità di apprendimento: supervisionato, non supervisionato e reinforcement learning.
  cc10 - Conoscere i principali problemi, strumenti tecnici e relative soluzioni algoritmiche nei settori del supervised learning, unsupervised learning, reinforcement learning e modelli generativi.
  Capacità di Applicare Conoscenza e Comprensione
  ca1 - Individuare le tecniche di pattern recognition e machine learning più adeguate per risolvere problemi di analisi dei dati.
  ca2 - Progettare, sviluppare e valutare pipeline e applicazioni di intelligenza artificiale (AI).
  ca3 - Progettare, sviluppare e valutare componenti software che implementano funzioni di pattern recognition e machine learning per realizzare servizi complessi.
  ca6 - Aggiornarsi in risposta all'evoluzione tecnologica e proporre soluzioni innovative nel proprio campo di competenza.
  ca12 - Utilizzare strumenti tecnici e relative soluzioni algoritmiche nei settori del supervised learning, unsupervised learning, reinforcement learning e modelli generativi.
  ca13 - Impiegare modelli di visione artificiale per l'analisi di immagini e video.
  ca14 - Applicare metodi e modelli per la modellazione di agenti autonomi in contesti di robotica intelligente.
  Autonomia di Giudizio
  ag1 - Maturare la capacità di identificare, localizzare e ottenere i dati richiesti per le analisi.
  ag2 - Sviluppare la capacità di progettazione e conduzione di indagini analitiche utilizzando modelli e tecniche sperimentali.
  ag3 - Acquisire la capacità di interpretare dati provenienti dalla realtà o da simulazioni, utilizzando le basi modellistiche, informatiche e statistiche apprese.
  ag4 - Valutare criticamente dati e risultati per trarre conclusioni informate.
  Capacità di Comunicazione
  ac2 - Presentare in forma scritta, verbale o multimediale argomentazioni e risultati di studio o lavoro.
  Capacità di Apprendimento
  ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati progettuali e relazioni.

Il corso mira a fornire una panoramica delle metodologie classiche e di alcune delle attuali metodologie di deep learning.

• architetture per computer vision e applicazioni real-world;
• transfer learning, domain adaptation, compressione dei modelli e continual learning;
• Transformer per NLP, visione artificiale e applicazioni multimodali;
• Large Language Models, adattamento efficiente di modelli di grandi dimensioni e sistemi agentici;
• Deep Reinforcement Learning, con applicazioni a controllo, videogiochi, navigazione e allineamento di modelli linguistici;
• adversarial learning, attacchi e difese avversarie, robustezza dei modelli; e
• incertezza, calibrazione, out-of-distribution detection.

È previsto un unico esame finale orale, accompagnato da un progetto. Potete scegliere l'argomento del vostro progetto, ma dovrete discuterne con me durante il mio orario di ricevimento e vi fornirò i dettagli su come procedere.
Typically, you will be assigned one or more papers to read and will be asked to work at home to reproduce some (simplified) experimental results or to apply the same method to different data or in a slightly different setting. You are responsible to study the relevant methodological and theoretical prerequisites of these papers. In some cases, studing the references covered in class may be sufficient but in other cases, especially when dealing with the details of the experimental procedures, readings other ancestors in the citation graph (see https://direct.mit.edu/qss/article/2/4/1399/108050/Data-citation-and-the-citation-graph) may be necessary.
There is no need to submit a report for your work, but you are asked to share with me the code (not the data! --- for that a links is sufficient) you have developed with some short instructions for reproducing your results. Small zip files can be shared by email (please send a https://0x0.st/ link if the zip is over a MByte) but if you prefer to share a git repository, please create a private one on https://codeberg.org/ and share it with me by inviting the user dl.unifi as a member.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

La valutazione finale sarà basata su una media ponderata delle seguenti componenti:

• 40%: esercitazioni di laboratorio;
• 20%: presentazione breve e attività di peer assessment;
• 40%: argomento di approfondimento presentato all’esame, interrogazione sui contenuti del corso e discussione delle soluzioni di laboratorio.
  Le attività di laboratorio saranno valutate considerando correttezza, creatività, eleganza e chiarezza della soluzione, qualità dell’analisi dei risultati e organizzazione del materiale consegnato, inclusa la struttura del repository.
  Le presentazioni brevi consisterano in video tecnici di circa cinque minuti su un articolo recente della letteratura sul Deep Learning. La valutazione terrà conto della qualità tecnica, della chiarezza, della capacità di sintesi e della riflessione critica. La partecipazione al peer assessment contribuirà alla valutazione secondo completezza, aderenza alla rubrica e qualità del feedback fornito.
  All’esame finale lo studente presenterà un argomento di approfondimento, normalmente basato su un articolo recente concordato con il docente, e discuterà i temi principali del corso e le attività di laboratorio svolte.
  Tabella docimologica di valutazione
  Insufficiente
  Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
  18–22
  Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
  23–25
  Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
  26–28
  Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
  29–30 e Lode
  Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
  La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Diversi argomenti trattati in classe sono approfonditi nei seguenti libri di testo. Alcuni argomenti sono trattati in modo più approfondito nella lettura di articoli scientifici pertinenti. Tutti questi libri consigliati sono disponibili gratuitamente online:

• [BB24] Chris Bishop and Hugh Bishop (2024). Deep Learning: Foundations and Concepts. Springer.
• [GBC16] Ian Goodfellow, Yoshua Bengio, and Aaron Courville (2016). Deep Learning. MIT Press.
• [P24] Simon J.D. Prince (2024). Understanding Deep Learning. MIT Press.
• [ZLLS23] Aston Zhang, Zack C. Lipton, Mu Li, and Alex J. Smola (2023). Dive into Deep Learning. Cambridge University Press.
• [JM24] Daniel Jurafsky & James H. Martins (2024) Speech and Language Processing (3rd edition draft).

Il corso si basa su slide, notebook, dispense e materiale fornito dal docente attraverso Moodle. Verranno inoltre indicati articoli scientifici recenti e risorse integrative durante il semestre.

Conoscenza e capacità di comprensione.
Il corso si propone di fornire conoscenze sugli aspetti delle Neuroscienze di interesse per l’intelligenza artificiale e cioè conoscere gli aspetti cognitivi di base dei sistemi intelligenti (cc19).
In particolare, si propone di analizzare il funzionamento del neurone e la natura della trasmissione dei segnali sia natura eccitatoria o inibitoria all’interno di reti neuronalie di fornire le basi per comprendere i fenomeni della plasticità neuronale e il funzionamento di reti neurali biologiche.
Si propone inoltre di fornire conoscenze anatomiche di base del sistema nervoso con particolare riguardo alle conoscenze anatomiche e funzionali dei sistemi sensoriali, alle tecniche di indagine utilizzate nell’uomo, alle reti neuronali e meccanismi che sottintendono diversi processi percettivi del sistema visivo, anche attraverso esempi che mostrano l’approccio computazionale e di deep learning per lo studio del flusso di informazione in tali reti neuronali.
Si propone infine di stimolare le capacità di comprensione ed analisi critica della letteratura scientifica nel campo.
Conoscenza e capacità di comprensione applicate
Il corso metterà gli studenti in grado di comprendere le basi biologiche del funzionamento delle reti neurali biologiche, con particolare riguardo alle reti deli sistemi sensoriali, e della sua plasticita in dipendenza dall’ambiente.
Autonomia di giudizio
Gli studenti, attraverso la presentazione di ricerche specifiche, saranno messi in grado di riflettere ed analizzare criticamente le evidenze sperimentali utilizzate per proporre delle ipotesi nel campo delle neuroscienze.Saranno inoltre in grado di familiarizzare con tecniche di ricerca ed esempi specifici recenti nel campo delle neuroscienze sensoriali
Abilità comunicative
Verrà stimolata la capacità di saper organizzare ed esporre chiaramente e concisamente, anche per iscritto, le proprie conoscenze e le proprie considerazioni riguardo gli argomenti e gli articoli scientifici in inglese trattati a lezione, sia durante esercitazioni in classe sia all’esame. Metterà quindi in grado gli studenti di dimostrare un livello adeguato di conoscenza della lingua inglese, sia nella comprensione delle fonti che nella comunicazione delle proprie idee (ac3) .
Capacità di apprendere
L'insegnamento mira anche a far conoscere agli studenti i metodi di studio nel campo di argomenti di frontiera delle neuroscienze per eventuali applicazioni al campo dell’intelligenza artificiale. Questo sarà utile per apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati progettuali e relazioni (ap3)

Il neurone. Potenziale di riposo, potenziale d'azione. Trasmissione sinaptica. Plasticità sinaptica. Anatomia del sistema nervoso. Tecniche per lo studio della percezione nell’uomo.
Percezione visiva della numerosità, del movimento e durante le saccadi. Percezione attiva. Modelli computazionali e applicazione di reti neurali al sistema visivo.

Due terzi della valutazione si baseranno su una prova orale sul programma del corso. Il terzo rimanente si baserà sulla produzione ed esposizione orale di una relazione su un argomento del programma, concordata precedentemente con i professori. Questa parte potrà essere sostituita da un'esperienza in laboratorio. La valutazione di questa parte si baserà sulla comprensione degli argomenti, sulla capacità di sintesi e sulla chiarezza espositiva
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Per la parte generale uno dei seguenti:

• Kandel E.R., Schwartz J., Jessel T. (2000). Fondamenti di neuroscienze e del comportamento. Casa Editrice Ambrosiana, Milano.
  oppure:
• Squire LR, Berg D, Bloom FE, du Lac S, Ghosh A, Spitzer NC (2016). Fondamenti di Neuroscienze. Casa Editrice Ambrosiana, Milano
  Inoltre verranno indicati articoli scientifici per argomenti specifici di percezione visiva
  Questi articoli e le diapositive di tutte le lezioni del corso ed eventuali dispense saranno rese disponibili sul sito del corso sulla piattaforma e-learning Moodle.

CONOSCENZA E COMPRENSIONE Il corso è dedicato a trattare temi di inferenza statistica avanzata, modelli statistici per l’analisi della dipendenza fra più variabili quantitative e qualitative. Al centro del corso sta la discussione degli elementi fondamentali dell'iinferenza statistica classica e degli elementi fondamentali del modello di regressione lineare multipla. In particolare, verranno trattati metodi di stima puntuale e intervallare e metodi per la verifica delle ipotesi statistiche. Inoltre verranno trattati per dati sperimentali e non sperimentali: i modelli di regressione per dati continui, includendo eventualmente fattori e interazioni, l'analisi dei residui e le tecniche di scelta del modello. L’analisi dei dati qualitativi, mediante modelli logistici. Successivamente, verranno trattati modelli grafici Markoviani per l'analisi delle dipendenza in strutture multivariate complesse, come modelli grafici non orientati e bayesian network. Verranno studiate tecniche inferenziali per l'apprendimento strutturale del grafo e l'inferenza parametrica. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE Parte integrante del corso è anche la discussione delle situazioni reali in cui sono appropriati i metodi e delle assunzioni sottostanti. Verranno trattati vari esempi e applicazioni in ambito scientifico, tecnologico, economico e sociale. A tal fine si utilizzerà il linguaggio statistico R. Al termine del corso lo studente è in grado di analizzare dati sviluppando i modelli appropriati, adattando tali modelli con i metodi più efficienti e valutando e presentando i risultati in termini critici. Lo studente assimilerà il linguaggio R con cui stimare modelli di relativa complessità. OBIETTIVI FORMATIVI • Sviluppare la capacità di specificare modelli statistici appropriati a seconda del problema • Imparare e saper applicare la teoria matematica della statistica • Sviluppare la capacità di interpretare le stime e la capacità di comunicare I risultati in modo rigoroso, discutendo criticamente le conclusioni.

Il corso introduce lo studente/la studentessa ai principali metodi statistici e computazionali di statistical learning per l'analisi, la modellizzazione predittiva e l'interpretazione di dati complessi e di grande dimensione. In particolare, il corso fornisce gli strumenti necessari per comprendere, applicare e valutare criticamente modelli predittivi, metodi di regolarizzazione, algoritmi di classificazione e regressione, metodi di riduzione dimensionale, clustering e tecniche ensemble.
Per favorire la comprensione, l'interpretazione e l'uso delle metodologie, il corso prevede esercitazioni con il linguaggio R. Al termine del corso, lo studente/la studentessa sarà in grado di scegliere e applicare metodi e algoritmi appropriati in specifici contesti di data science; valutare criticamente le prestazioni di un modello; interpretare, visualizzare e comunicare i risultati; comprendere nuove tecniche di statistical learning e confrontarle con quelle già note.
L'insegnamento contribuisce al raggiungimento dei risultati di apprendimento del Corso di Studio con riferimento ai codici CC3, CC4, CA3, CA4, AG1, AG2, AG3, AG4, AG5, AC1, AC2, AC3, AP1, AP2 della matrice di Tuning approvata del Corso di Studio.

Questo è un corso di inferenza statistica avanzata e di modelli statistici per l'analisi dei dati

Il corso tratta metodi statistici e computazionali per lo statistical learning e per la modellizzazione predittiva in data science. Si veda il Programma esteso per ulteriori dettagli.

L'esame è composto da una prova scritta sulla prima parte del corso e un progetto con discussione orale sulla seconda parte del corso.
La prova scritta comprende sia esercizi applicati (che potrebbero richiedere l'uso di una calcolatrice tascabile) sia esercizi teorici.
L'esame sulla seconda parte del corso si basa su un progetto di analisi dei dati. L'accesso a questo esame è consentito solo agli studenti che hanno superato la prova scritta sulla prima parte nella stessa sessione.
Il progetto è un compito individuale da svolgere a casa e il suo contenuto sarà verificato in una discussione orale. È richiesta una presentazione di 15 minuti ed è gradita la preparazione di lucidi.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

L'esame è finalizzato ad accertare la comprensione degli strumenti metodologici presentati nel corso, la capacità di applicarli a problemi statistici concreti, l'autonomia nella scelta dei metodi, la capacità di interpretare criticamente i risultati e di comunicarli in modo chiaro e rigoroso.
La verifica dell'apprendimento si articola in tre attività: homeworks, contest e prova finale.
Durante il corso saranno assegnati homeworks tramite la piattaforma Moodle. Gli homeworks hanno la funzione di favorire l'apprendimento progressivo, l'applicazione dei metodi a problemi concreti e la preparazione alla prova finale. Gli studenti e le studentesse che consegnano e presentano almeno il 75% degli homeworks potranno accedere al contest. Gli studenti e le studentesse che non raggiungono tale soglia dovranno sostenere, durante la prova finale, anche un esame orale sull'intero programma.
Il contest consiste in una presentazione in piccoli gruppi, di norma composti da 1 a 3 persone. Ogni componente del gruppo avrà a disposizione circa 5 minuti. La presentazione verterà su un argomento scelto dal gruppo, di carattere teorico, applicativo o computazionale, nell'ambito dello statistical learning. Il contest non attribuisce un punteggio autonomo e non concorre direttamente alla determinazione del voto finale. La partecipazione attiva al contest consente l'esonero dall'esame orale sull'intero programma durante la prova finale. Il gruppo vincitore sosterrà, in sede di prova finale, solo eventuali domande di chiarimento relative al lavoro presentato.
La prova finale si svolge il giorno dell'appello d'esame e consiste in una presentazione individuale di circa 10 minuti su un argomento a scelta, coerente con i temi del corso. Gli studenti e le studentesse che non hanno partecipato attivamente al contest dovranno sostenere, oltre alla presentazione finale, un esame orale sull'intero programma.
La valutazione accerta: comprensione della research question; uso coerente degli strumenti teorici e computazionali; rigore nell'applicazione dei metodi scelti; capacità di interpretare, visualizzare, argomentare e difendere i risultati; appropriatezza del linguaggio disciplinare; autonomia e contributo individuale o di gruppo. Prima della presentazione finale, slides, codice e materiali richiesti dovranno essere caricati sulla piattaforma Moodle.
Tabella docimologica di valutazione:

• Insufficiente: gravi errori concettuali, comprensione frammentaria o nulla, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
• 18-22: conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
• 23-25: comprensione soddisfacente, applicazione corretta a contesti noti, esercizi svolti in modo autonomo con qualche imprecisione, soddisfacente autonomia e competenza operativa.
• 26-28: solida comprensione teorica, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, svolgendo compiti complessi in modo autonomo, preciso ed efficace.
• 29-30 e lode: conoscenze complete, approfondite e ben strutturate, autonomia e flessibilità in contesti complessi o nuovi, uso appropriato e articolato del linguaggio disciplinare, capacità critiche, originalità e rigore. La lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Wasserman, L. (2004). All of statistics. Springer-Verlag, New York. Dispense del docente disponibili in Moodle

Appunti e slides forniti dal docente, disponibili su Moodle.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning (Second Edition). New York: Springer. Disponibile online: https://link.springer.com/book/10.1007/978-1-0716-1418-1
Friedman, J., Hastie, T., & Tibshirani, R. (2013). The Elements of Statistical Learning. Second edition. Springer, Berlin: Springer series in statistics. Disponibile online: https://hastie.su.domains/ElemStatLearn/
Azzalini, A., & Scarpa, B. (2012). Data Analysis and Data Mining: An Introduction. OUP USA.

Conoscenza e comprensione dei fondamenti dell’interazione uomo-macchina: al termine del corso, lo studente avrà acquisito una solida conoscenza dei principi fondamentali della Human-Robot Interaction (HRI), con particolare attenzione alla robotica sociale e al ruolo dei robot in contesti applicativi come la sanità, l’educazione e i servizi. Verranno inoltre approfonditi i concetti relativi all’esperienza utente, all’usabilità e all’impatto etico e sociale dei robot nelle interazioni con gli esseri umani.
Capacità di applicare conoscenze e comprensione nelle principali applicazioni dell’HRI: lo studente sarà in grado di progettare, modellare, sviluppare e valutare robot interattivi e socialmente interattivi, applicando metodologie di progettazione di architetture cognitive centrate sull’utente, principi di interazione fisica e cognitiva, e tecniche di programmazione per robot sociali.
Autonomia di giudizio nella definizione e progettazione di interazioni uomo-robot efficaci e responsabili: al termine del corso, lo studente sarà in grado di analizzare criticamente scenari applicativi complessi, valutando le implicazioni etiche, sociali e psicologiche dell’integrazione dei robot nella società, e di formulare soluzioni consapevoli e responsabili.
Abilità comunicative nella presentazione di problemi e soluzioni in ambito HRI: al termine del corso, lo studente sarà in grado di sintetizzare e presentare in modo efficace problemi progettuali e soluzioni interattive, utilizzando strumenti propri del co-design, comunicando con chiarezza e competenza sia con interlocutori tecnici sia non tecnici.
Capacità di apprendimento nell’ambito dell’interazione uomo-macchina: al termine del corso, lo studente sarà in grado di aggiornare e ampliare in modo autonomo le proprie conoscenze, seguendo l’evoluzione delle tecnologie e della ricerca, dei paradigmi progettuali e delle implicazioni sociali emergenti nel campo della HRI.

Il corso di Interazione Uomo-Robot (HRI) analizza in modo interdisciplinare la progettazione, implementazione e valutazione di sistemi interattivi tra esseri umani e robot, con focus sulla robotica sociale. Affronta aspetti cognitivi e fisici dell’interazione, principi di progettazione user-centered e implicazioni etiche e sociali. Include teoria e pratica su modelli di interazione, percezione e comportamento, con progetti e attività per sviluppare robot interattivi e competenze tecniche e critiche nell’ambito HRI.

La valutazione prevede un esame scritto composto da domande teoriche finalizzate a verificare la comprensione dei concetti chiave e la presentazione delle attività di Journal Club e progettazione.

Diapositive fornite dal docente.
Corke, Peter. Robotics, vision and control: fundamental algorithms in MATLAB® second, completely revised. Vol. 118. Springer, 2017.
Siciliano, Bruno, and Oussama Khatib, eds. Springer handbook of robotics. Springer, 2016.
Controlla la bibliografia su onesearch (https://onesearch.unifi.it/). Per aiuto contatta la tua biblioteca (https://unifi.libanswers.com/).

• Semantic Web, Web of Data, Linked Data, W3C RDF
• SPARQL query language
• Ontologies: description logics, OWL 1, OWL2, protegé
• Reasoning & inference: basics, tableaux method, tableaux for DL, rule based reasoning, OWL profiles
• Ontology Engineering: best practices, basic ontologies, ontology design patterns, examples
• NLP: LLM, RAG
• Graph Machine Learning: embeddings, graph neural networks

prova orale: due domande sulla parte teorica del corso e un esercizio di query SPARQL su dbpedia/wikidata
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Conoscenza e comprensione delle problematiche relative ai sistemi di grandi dimensioni che usano AI e che sfruttano l’integrazione fra motori di inferenza simbolica e/o logica e reti neurali, tipicamente deep
Con riferimento ai descrittori di Dublino:
Conoscenza e Comprensione
cc6 - Conoscenze di modelli e metodologie di progetto, sviluppo e verifica di moduli di elaborazione basati su apprendimento automatico e della loro integrazione con modelli basati sulla conoscenza
Capacità di Applicare Conoscenza e Comprensione
ca2 - Coordinarsi e collaborare con esperti di settore per la specifica dei requisiti ed il collaudo di un sistema informatico;
ca5 - Adottare un approccio ingegneristico ed ispirato alla ottimizzazione per l'analisi e risoluzione di problemi
ca6 - Saper proporre soluzioni innovative nel proprio dominio di competenza
ca8 - Formalizzare e risolvere problemi complessi di ottimizzazione e elaborazione dell’informazione
Autonomia di Giudizio
ag1 - Analizzare problemi complessi dell’ingegneria informatica, valutando criticamente metodi e soluzioni
ag2 - Formulare, in maniera autonoma e con approccio interdisciplinare, considerazioni rigorose e tecnicamente valide sui temi e progetti affrontati
Capacità di Comunicazione
ac1 - Presentare i risultati della propria attività in forma scritta e orale con caratteristiche di organicità e rigore tecnico
ac2 - Comunicare informazioni, idee, problemi e soluzioni a specialisti del settore e a interlocutori non specialisti, in lingua italiana o inglese
Capacità di Apprendimento
ap1 - Aggiornarsi in autonomia rispetto al rapido evolversi delle tecnologie dell’ingegneria informatica e, più in generale, dell’ingegneria dell’informazione.
ap2 - Organizzare e gestire in modo indipendente il proprio percorso di apprendimento, sviluppando capacità di analisi e approfondimento sia in contesti guidati sia in attività autonome.
ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati analitici o progettuali, e nelle relazioni delle attività svolte.

• Modelli neurosymbolici: PINN (physically informed neural networks), agent e multiagent systems with NN/RL, differentiable inductive logic programming, ..
• Modelli e tecniche per dedurre strutture simboliche e a grafo con NN. Incremento di conoscenza simbolica da processi NN, etc.
• Modelli ad agenti che integrano NN in modelli symbolici, GNN-RL
• Large Scale Machine learning Operation, MLOps, HPC

colloquio orale sulle conoscenze acquisite nel corso, con analisi e argomentazione di casi critici; or small project
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

riferimenti online, slides, e https://www.snap4city.org

Scopo del corso è introdurre gli studenti alle tecniche di programmazione parallela e ad alta performance applicabili, in particolare, per diversi problemi di machine learning.
Al termine del corso lo studente possiede le basi fondamentali di programmazione parallela in C/C++/CUDA e Python per sistemi multicore, cluster e GPGPU; conosce inoltre i principali paradigmi di programmazione parallela e gli ambienti di programmazione standard OpenMP e CUDA. Programmazione parallela in Python io-bound e cpu-bound.

Tecniche e strumenti di programmazione parallela

• Progetto di sviluppo software durante il corso (40% del voto finale)
• Progetto di sviluppo software finale (60% del voto finale)
  Per ogni progetto deve essere scritta una relazione tecnica ed una presentazione che descrive il lavoro e riporta la performance rispetto ad una versione sequenziale del progetto.
  Gli elaborati sono scelti dagli studenti da una lista proposta dal docente. Possono essere svolti singolarmente o in coppia, previo accordo col docente.
  L'elaborato è mirato a dimostrare le capacità di:
• Saper implementare un software parallelo usando diversi framework e strumenti visti a lezione
• Saper valutare gli effetti e differenze della programmazione parallela rispetto a quella sequenziale
• Saper misurare la performance di un programma parallelo rispetto ad uno sequenziale
• Saper scrivere una relazione tecnica ed effettuare una presentazione tecnica.
  Tabella docimologica di valutazione
  Insufficiente
  Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
  18–22
  Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
  23–25
  Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
  26–28
  Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
  29–30 e Lode
  Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
  La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

• Parallel Programming for Multicore and Cluster Systems, Thomas Dauber and Gudula Rünger, Springer
• Programming Massively Parallel Processors, David B. Kirk and Wen-mei W. Hwu, Morgan Kaufmann
• An introduction to Parallel Programming, Peter Pacheco, Morgan Kaufmann

imparare ad progettare, usare e comprendere architetture big data

-- big data concepts
-- big data stores
-- cloud management: virtual machine e container
-- Big data computing
-- Performance analysis
-- IOT architecture and solutions
-- big data analytic
-- Big data architectures
Durante il corso saranno effettuate esercitazioni su cluster hadoop, mapreduce, IOT application, containers, elastic search, twitter vigilance.

oral or small project
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

several

• Conoscenza e comprensione delle problematiche relative ai sistemi di grandi dimensioni che usano AI e che sfruttano l’integrazione fra motori di inferenza simbolica e/o logica e reti neurali, tipicamente deep

• Modelli neurosymbolici: PINN (physically informed neural networks), agent e multiagent systems with NN/RL, differentiable inductive logic programming, .. • Modelli e tecniche per dedurre strutture simboliche e a grafo con NN. Incremento di conoscenza simbolica da processi NN, etc. • Modelli ad agenti che integrano NN in modelli symbolici, GNN-RL • Large Scale Machine learning Operation, MLOps, HPC

orale, and optionally a study
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

online references, slides, and Https://www.snap4city.org

Il corso fornirà agli studenti gli strumenti per comprendere appieno le questioni ei principali dilemmi etico-giuridici riguardanti la regolamentazione e la governance dell'Intelligenza Artificiale e delle tecnologie più avanzate. Gli studenti svilupperanno abilità pratiche su come tecnologia e diritto si intrecciano e, allo stesso tempo, verranno introdotti come il diritto e la tecnologia sono resi operativi in ​​casi concreti riguardanti l'IA.
Durante il corso gli studenti acquisiranno le seguenti abilità e conoscenze:
Analizzare la relazione in evoluzione tra diritto e tecnologia e il nesso specifico tra diritto e IA.
Scopri come i progressi della tecnologia digitale influiscono sui diversi attori pubblici e privati ​​all'interno della società.
Esaminare l'ordinamento giuridico multilivello in cui si inserisce l'Italia e il ruolo crescente dei diversi regolatori nel plasmare la risposta normativa agli sviluppi tecnologici.
Anticipare gli sviluppi futuri della tecnologia digitale e dell'innovazione e le potenziali risposte sia a livello nazionale che europeo.
Conoscenza e Comprensione
cc16 - Comprendere gli aspetti etici e legali collegati allo sviluppo di sistemi intelligenti.
Capacità di Applicare Conoscenza e Comprensione
ca18 - Valutare l'impatto di aspetti etici e legali collegati alla gestione dei dati e ai sistemi di decisione autonoma.
Capacità di Comunicazione
ac3 - Dimostrare un livello adeguato di conoscenza della lingua inglese, sia nella comprensione delle fonti che nella comunicazione delle proprie idee.
Capacità di Apprendimento
ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati progettuali e relazioni.

Il corso si propone di scoprire i principi e le fonti legali ed etiche del diritto applicati all'Intelligenza Artificiale e alle tecnologie d'avanguardia.

L'esame si svolgerà per tutti gli studenti, frequentanti e non, in forma orale. Per gli studenti frequentanti, oltre all'esito della prova orale, la valutazione terrà conto della partecipazione attiva alle lezioni e all'esame dei casi, dell'eventuale preparazione di elaborati scritti e sarà orientata a determinare la capacità di utilizzo critico i concetti impartiti durante il corso.
Per partecipare è necessario partecipare al 75% delle lezioni.
Per gli studenti non frequentanti, l'esame sarà volto ad accertare la conoscenza e la comprensione critica delle nozioni e delle informazioni acquisibili dal libro di testo, considerato anche in un contesto storico, con particolare riferimento alla normativa di settore e al conferimento giurisprudenza.
A titolo indicativo, la prova orale consisterà in tre domande sull'intero programma del corso. La valutazione sarà espressa in trentesimi.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Gli studenti frequentanti sosterranno l'esame sugli appunti a lezione e, a corredo, con l'ausilio di materiali e casi presenti in Simoncini A: Introduction to Constitutional Regulation of Technology - with Appendix on Cases and Materials, Florence, forthcoming, 2022.
Gli studenti non frequentanti sono tenuti a studiare Simoncini A: Introduction to Constitutional Regulation of Technology - with Appendix on Cases and Materials, Florence, forthcoming, 2022

cc4 Knowledge of advanced design tools
(mechanical, thermo-fluid dynamical,
electrical, or multi-physics) for modelling
and numerical simulation of
components or systems.
cc8 Knowledge of the mobility system, its
constitutive elements and the tools for
its characterisation and description
cc10 Knowledge of methods for planning and
carrying out highly complex
experimental activities for the analysis
of components and systems.
ca1 The ability to identify, formulate and
solve industrial engineering problems,
defining specifications, technical, social,
environmental, and commercial
constraints.
ca2 The ability to carry out engineering
projects, working in a multidisciplinary
environment.
ca5 The ability to combine theory and
practice to identify and solve
multidisciplinary
engineering problems,
considering constraints, including nontechnical
ones.
ag2 The ability to grasp the ethical
implications of design choices and
technologies employed or developed.
ap1 The capacity for continuous and
autonomous learning, and self-updating
in the relevant engineering area.

1. Introduction to the course
2. Kinematics
3. Differential kinematics and statics
4. Dynamics
5. Trajectory planning
6. Motion control
7. Control of interaction
8. Sensors and actuators
9. Collaborative robots
10. Mobile robots

Students have to pass a written exam and prepare a presentation about a novel technical or research topic/achievement. Students will be asked to discuss a series of open and closed questions, tailored to prove the comprehension of the theoretical principles (CC4, CC8) and application scenarios (CC10) presented in the course, as well as the practical knowledge acquired (CA1, CA2, CA5, AG2). To pass the exam, the students should demonstrate to have acquired good knowledge on robotics and to master sufficiently kinematic and dynamic analysis of robot systems and their control. The assessment of AP1 will be performed by the fulfillment of an assigment consisting in the study of a research or a technical paper and the presentation of the document.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

B. Siciliano, L. Sciavicco, L. Villani, G. Oriolo, Robotics: Modelling, Planning and Control, Springer, London, UK, 2009 Controlla la bibliografia su onesearch (https://onesearch.unifi.it/discovery/search?vid=39SBART_UFI:39UFI_V1). Per aiuto contatta la tua biblioteca (https://unifi.libanswers.com/)

Il corso si propone di fornire le informazioni essenziali, da un punto di vista computazionale, dei risultati principali della fisica statistica:
Teoria dei sistemi dinamici, biforcazioni e caos.
Teoria dei processi stocastici, catene di Markov, transizioni di fase. Approccio di campo medio.
Meccanica statistica di equilibrio. Calcolo Monte-Carlo
Applicazioni a vari campi dell’ingegneria computazionale.

Sistemi dinamici, biforcazioni. Soluzioni numeriche. Mappe. Caos Processi stocastici. Catene di Markov, equazione di Langevin e di Fokker-Planck. Transizioni di fase. Campo medio.
Richiami di termodinamica e di fisica quantistica. Teoria cinetica. Equilibrio. Integrazione Monte-Carlo.
Teoria delle reti.
Applicazioni a ottimizzazione stocastica, complessità algoritmica, reti neurali, algoritmi genetici, Boltzmann machine, controllo e sincronizzazione

1) Produzione di un testo con svolgimento sintetico di alcuni temi delle lezioni.
2) Discussione di un elaborato su un argomento del corso (preferibilmente la riproduzione di simulazioni di un articolo). Durata dell'esposizione circa 15 minuti

Steven Strogatz, Nonlinear Dynamics and Chaos, 2nd Edition: With Applications to Physics, Biology, Chemistry, and Engineering, Westview Press (2014)
Werner Krauth, Statistical Mechanics: Algorithms and Computations (Oxford Master Series in Statistical, Computational, and Theoretical Physics) (2006)
Eric Bertin, Statistical Physics of Complex Systems: A Concise Introduction, Springer 2012

Questo corso si propone di:

• introdurre una serie di concetti di base e avanzati
• che consentono la creazione e l'analisi di modelli stocastici
• per la valutazione quantitativa dei sistemi
• in applicazioni di ingegneria delle prestazioni e dell'affidabilità

• variabili casuali; modellazione di sistemi temporizzati con reti di Petri stocastiche; processi stocastici, catene di Markov e processi Markov rigenerativi; tool/libreria Oris/Sirio
• analisi di workflows di attività con durate stocastiche, con riferimento a scaling orizzontale e verticale delle risorse nell'orchestrazione di Kubernetes
• approssimazione e simulazione di distribuzioni campionarie
• matching theory per placement e offloading dei servizi in distribuited edge-to-cloud computing
• integrazione di metodi di analisi basate su modelli con tecniche di deep learning

L'esame si conclude al meglio con la discussione di un'esperienza pratica, incentrata su una parte selezionata del programma. Questa può essere implementata, opportunamente ma non necessariamente, estendendo il corso con il relativo progetto.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Gli argomenti sviluppati e i relativi riferimenti puntuali vengono documentati in diapositive consegnate agli studenti.

Acquisire le competenze per applicare appropriati metodi statistici per estrarre informazione causale dai dati osservati e la capacità di valutare la plausibilità di conclusioni causali.

Saranno introdotti i concetti fondamentali e i metodi più avanzati per l'inferenza causale nell'ambito dell'approccio dei risultati potenziali. Verranno introdotto metodi per il disogno e l'analisi di studi randomizzati e di studi osservazionali sotto l'ipotesi di assenza di confondimento. Verranno inoltre introdotti meccanismi di assegnazione irregolare, discutendo le strategie per analizzare studi randomizzati con nocompliance e, eventualmente, alcuni argomenti avanzati. Presenteremo esempi e casi di studio reali tratti da varie discipline. Per le sessioni pratiche utilizzeremo R.

L'esame consiste in una prova intermedia, due assignment da consegnare tramite moodle entro le scadenze previste. L'esame si conclude con una presentazione e discussione orale.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Imbens, G.W. and Rubin B. D. (2015) Causal Inference in Statistics, Social, and Biomedical Sciences: An Introduction.
Cambridge University Press.
https://doi.org/10.1017/CBO9781139025751
Ding, P. (2024) A first course in causal inference. Chapman & Hall.

Acquisire le competenze per applicare appropriati metodi statistici per estrarre informazione causale dai dati osservati e la capacità di valutare la plausibilità di conclusioni causali.

Saranno introdotti i concetti fondamentali e i metodi più avanzati per l'inferenza causale nell'ambito dell'approccio dei risultati potenziali. Verranno introdotto metodi per il disogno e l'analisi di studi randomizzati e di studi osservazionali sotto l'ipotesi di assenza di confondimento. Verranno inoltre introdotti meccanismi di assegnazione irregolare, discutendo le strategie per analizzare studi randomizzati con nocompliance e, eventualmente, alcuni argomenti avanzati. Presenteremo esempi e casi di studio reali tratti da varie discipline. Per le sessioni pratiche utilizzeremo R.

L'esame consiste in una prova intermedia, due assignment da consegnare tramite moodle entro le scadenze previste. L'esame si conclude con una presentazione e discussione orale.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Imbens, G.W. and Rubin B. D. (2015) Causal Inference in Statistics, Social, and Biomedical Sciences: An Introduction.
Cambridge University Press.
https://doi.org/10.1017/CBO9781139025751
Ding, P. (2024) A first course in causal inference. Chapman & Hall.

Al termine del corso, gli studenti saranno in grado di:
Comprendere e applicare i principi fondamentali della computer vision e del representation learning, inclusi i meccanismi con cui le moderne reti profonde apprendono e organizzano le caratteristiche visive.
Analizzare e risolvere problemi di visione artificiale valutando modelli alternativi, interpretandone il comportamento e selezionando gli approcci più appropriati per i diversi compiti.
Implementare e sperimentare algoritmi di machine learning e deep learning, sviluppando competenze pratiche nella progettazione, nell’addestramento, nel debugging e nella valutazione dei modelli.
Valutare criticamente le implicazioni etiche, sociali ed economiche dei sistemi di intelligenza artificiale, riflettendo sulla loro robustezza, sui loro limiti e sul loro impatto nelle applicazioni reali.
Con riferimento ai descrittori di Dublino:
Conoscenza e Comprensione
cc4 - Comprendere e applicare le tecniche fondamentali di deep learning per diverse modalità di apprendimento: supervisionato, non supervisionato e reinforcement learning.
cc11 - Comprendere i modelli principali di visione artificiale e le loro applicazioni nell'analisi di immagini e video.
Capacità di Applicare Conoscenza e Comprensione
ca1 - Individuare le tecniche di pattern recognition e machine learning più adeguate per risolvere problemi di analisi dei dati.
ca12 - Utilizzare strumenti tecnici e relative soluzioni algoritmiche nei settori del supervised learning, unsupervised learning, reinforcement learning e modelli generativi.
ca13 - Impiegare modelli di visione artificiale per l'analisi di immagini e video.
Autonomia di Giudizio
ag1 - Maturare la capacità di identificare, localizzare e ottenere i dati richiesti per le analisi.
ag2 - Sviluppare la capacità di progettazione e conduzione di indagini analitiche utilizzando modelli e tecniche sperimentali.
ag3 - Acquisire la capacità di interpretare dati provenienti dalla realtà o da simulazioni, utilizzando le basi modellistiche, informatiche e statistiche apprese.
ag4 - Valutare criticamente dati e risultati per trarre conclusioni informate.
Capacità di Apprendimento
ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati progettuali e relazioni.

Il corso introduce i principi della visione artificiale affrontata con metodi di deep learning, mostrando come le reti neurali possano apprendere rappresentazioni semantiche dal contenuto delle immagini per riconoscerle. Sono trattati i concetti di base su rappresentazioni visive, classificazione e riconoscimento di oggetti, insieme ad alcuni temi più avanzati resi possibili dai recenti sviluppi del deep learning.

Gli studenti possono sostenere l’esame secondo una delle due modalità seguenti:
Modalità A): 6 CFU – Esame orale
Colloquio individuale sugli argomenti trattati a lezione. Potrà includere una breve discussione di semplici esperimenti esplorativi, eventuale codice o un breve report (facoltativo, non obbligatorio).
Modalità B): 6 + 3 CFU – Project Work + Presentazione orale
Svolgimento di un project work, di tipo: small-scale (più teorico), oppure medium-scale (più pratico).
La valutazione comprende: Consegna del progetto: codice, breve relazione (4–6 pagine) e presentazione.
Discussione orale: domande sul progetto e sui concetti principali affrontati durante il corso.
Il progetto può essere svolto individualmente o in gruppi di 2–3 studenti. Tutti i membri del gruppo devono partecipare alla presentazione, con indicazione chiara dei contributi individuali.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Testi di riferimento (per importanza)
Prince, Simon J.D. — Understanding Deep Learning, MIT Press, 2023.
Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron — Deep Learning, MIT Press, 2016.
Torralba, Antonio; Isola, Phillip; Freeman, William T. — Foundations of Computer Vision, MIT Press, 2024.
Stevens, Eli; Antiga, Luca; Viehmann, Thomas — Deep Learning with PyTorch, Manning Publications.
Szeliski, Richard — Computer Vision: Algorithms and Applications, Springer, 2022.
Deisenroth, Marc Peter; Faisal, A. Aldo; Ong, Cheng Soon — Mathematics for Machine Learning, Cambridge University Press, 2020.

Conoscenza e Comprensione
cc6 - Conoscenze di modelli e metodologie di progetto, sviluppo e verifica di moduli di elaborazione basati su apprendimento automatico e della loro integrazione con modelli basati sulla conoscenza
Capacità di Applicare Conoscenza e Comprensione
ca2 - Coordinarsi e collaborare con esperti di settore per la specifica dei requisiti ed il collaudo di un sistema informatico;
ca6 - Saper proporre soluzioni innovative nel proprio dominio di competenza
Autonomia di Giudizio
ag1 - Analizzare problemi complessi dell’ingegneria informatica, valutando criticamente metodi e soluzioni
ag2 - Formulare, in maniera autonoma e con approccio interdisciplinare, considerazioni rigorose e tecnicamente valide sui temi e progetti affrontati
Capacità di Comunicazione
ac1 - Presentare i risultati della propria attività in forma scritta e orale con caratteristiche di organicità e rigore tecnico
ac2 - Comunicare informazioni, idee, problemi e soluzioni a specialisti del settore e a interlocutori non specialisti, in lingua italiana o inglese
Capacità di Apprendimento
ap1 - Aggiornarsi in autonomia rispetto al rapido evolversi delle tecnologie dell’ingegneria informatica e, più in generale, dell’ingegneria dell’informazione.
ap2 - Organizzare e gestire in modo indipendente il proprio percorso di apprendimento, sviluppando capacità di analisi e approfondimento sia in contesti guidati sia in attività autonome.
ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati analitici o progettuali, e nelle relazioni delle attività svolte.

• Tassonomia dei modelli di eXplainable AI
• Modelli interpretabili e modelli spiegabili
• Domini applicativi

L'esame è costituito da una prova orale, volta ad accertare le competenze pratiche e teoriche acquisite durante il corso.
Il corso non prevede il salto appello: gli studenti che ottengono una valutazione non sufficiente hanno facoltà di presentarsi alla prova successiva.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Testi di riferimento: articoli scientifici indicati durante le lezioni

Conoscenza dei principali modelli generativi deep. Capacità di addestrare, utilizzare e valutare esistenti modelli generativi deep.
Con riferimento ai descrittori di Dublino:
Conoscenza e Comprensione
cc4 - Comprendere e applicare le tecniche fondamentali di deep learning per diverse modalità di apprendimento: supervisionato, non supervisionato e reinforcement learning.
cc10 - Conoscere i principali problemi, strumenti tecnici e relative soluzioni algoritmiche nei settori del supervised learning, unsupervised learning, reinforcement learning e modelli generativi.
Capacità di Applicare Conoscenza e Comprensione
ca1 - Individuare le tecniche di pattern recognition e machine learning più adeguate per risolvere problemi di analisi dei dati.
ca12 - Utilizzare strumenti tecnici e relative soluzioni algoritmiche nei settori del supervised learning, unsupervised learning, reinforcement learning e modelli generativi.
ca13 - Impiegare modelli di visione artificiale per l'analisi di immagini e video.
Autonomia di Giudizio
ag1 - Maturare la capacità di identificare, localizzare e ottenere i dati richiesti per le analisi.
ag2 - Sviluppare la capacità di progettazione e conduzione di indagini analitiche utilizzando modelli e tecniche sperimentali.
ag3 - Acquisire la capacità di interpretare dati provenienti dalla realtà o da simulazioni, utilizzando le basi modellistiche, informatiche e statistiche apprese.
ag4 - Valutare criticamente dati e risultati per trarre conclusioni informate.
Capacità di Comunicazione
ac2 - Presentare in forma scritta, verbale o multimediale argomentazioni e risultati di studio o lavoro.
Capacità di Apprendimento
ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati progettuali e relazioni.

Modelli generativi

La verifica dell’apprendimento si svolge mediante una prova orale. La prova ha inizio con una presentazione individuale, della durata di circa 10 minuti, relativa a un articolo scientifico previamente concordato con il docente e attinente ai temi del corso.
Successivamente, lo studente è sottoposto a una serie di quesiti di approfondimento volti ad accertare:

• la comprensione critica dei contenuti dell’articolo presentato e la capacità di metterli in relazione con gli argomenti trattati a lezione;
• la padronanza teorica e metodologica dei concetti fondamentali relativi ai modelli generativi e alle tecniche di apprendimento illustrate durante il corso;
• la conoscenza complessiva dell’intero programma, non limitata ai temi oggetto della presentazione;
• la capacità di analisi, sintesi e argomentazione;
  l’appropriatezza del linguaggio tecnico-scientifico utilizzato.
  La valutazione finale, espressa in trentesimi, tiene conto sia della qualità e della chiarezza della presentazione, sia del livello di conoscenza, approfondimento e autonomia dimostrati dallo studente nell’insieme degli argomenti del corso.
  La prova potrà essere sostenuta sia in inglese che in italiano.
  Tabella docimologica di valutazione
  Insufficiente
  Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
  18–22
  Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
  23–25
  Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
  26–28
  Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
  29–30 e Lode
  Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
  La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

https://www.deeplearningbook.org/
https://jmtomczak.github.io/dgm_book.html
https://d2l.ai/

Il corso mira a fornire conoscenze di reti profonde per l'elaborazione di dati in domini non Euclidei con particolare riferimento a grafi, nuvole di punti e mesh. Attraverso alcuni frameworks e librerie in Python verranno analizzati casi di studio mirati all'acquisizione di competenze di progetto di architetture basate su deep neural networks per l'analisi di dati in domini non Euclidei

Introduction to geometric deep learning
Manifold learning
Graph Convolutional Networks, Graph Neural Networks, Attention in Graph Neural Networks, Graph clustering, GNN for dynamic graphs
Shapes, point clouds and meshes
Shape analysis.
3D acquisition, registration and triangulation. Mesh smoothing and representation. Surface curvature and geodesic distance computation. Hand-craft features on the mesh.
PointNet and PointNet++ for deep learning on point clouds. Deep learning methods on meshes. Generative methods on graphs and meshes. Neural Radiance field.

Orale.
Al candidato saranno poste quattro domande su altrettanti argomenti presentati nelle lezioni. Il candidato dovrà dimostrare la propria conoscenza di tali argomenti avvalendosi anche dello strumento Colab per dimostrare la capacità di usare le proprie conoscenze.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

William L. Hamilton. Graph Representation Learning. McGill University.
Lingfei Wu, Peng Cui, Jian Pei, Liang Zhao. Graph Neural Networks: Foundations, Frontiers, and Applications. Springer.
Controlla la bibliografia su onesearch (https://onesearch.unifi.it/). Per aiuto contatta la tua biblioteca (https://unifi.libanswers.com/).

1. CONOSCENZA E COMPRENSIONE
1.1 Conoscenza e comprensione delle problematiche relative all'interpretazione del linguaggio naturale con sistemi di intelligenza artificiale.
1.2 Conoscenza e comprensione dei modelli statistici per l'interpretazione del linguaggio naturale.
1.3 Conoscenza e comprensione dei metodi basati su reti neurali per l'interpretazione del linguaggio naturale.
1.4 Conoscenza e comprensione del funzionamento dei più recenti modelli fondazionali, detti large language models.
Con riferimento ai descrittori di Dublino:
cc3 - Conoscenze di tecniche e strumenti per il progetto di applicazioni software interazione uomo-macchina e per analisi, elaborazione ed autenticazione di documenti, immagini, video e oggetti 3D
2. CAPACITA' DI APPLICARE CONOSCENZA E COMPRENSIONE
2.1 Capacità di applicare le conoscenze acquisite allo scopo di risolvere problemi di classificazione, interpretazione e comprensione di testi e documenti.
2.2 Capacità di applicare le conoscenze acquisite allo scopo di modellare problemi con i più recenti modelli del linguaggio.
Con riferimento ai descrittori di Dublino:
ca2 - Coordinarsi e collaborare con esperti di settore per la specifica dei requisiti ed il collaudo di un sistema informatico;
ca3 - Gestire ed impiegare strumentazione e software avanzati per la simulazione di processi e la prototipazione
ca6 - Saper proporre soluzioni innovative nel proprio dominio di competenza
ca7 - Conoscere e usare tecniche e strumenti per il progetto di applicazioni per interazione uomo-macchina e per analisi, elaborazione ed autenticazione di documenti, immagini, video e oggetti 3D
3. AUTONOMIA DI GIUDIZIO
3.1 Capacità di verificare il proprio grado di apprendimento e comprensione dei concetti esposti durante il corso.
3.2 Capacità di valutare soluzioni a problemi di interpretazione, classificazione e comprensione del linguaggio naturale.
Con riferimento ai descrittori di Dublino:
ag1 - Analizzare problemi complessi dell’ingegneria informatica, valutando criticamente metodi e soluzioni
ag2 - Formulare, in maniera autonoma e con approccio interdisciplinare, considerazioni rigorose e tecnicamente valide sui temi e progetti affrontati
4. ABILITA' COMUNICATIVE
4.1 Capacità di esprimere le proprie conoscenze in modo corretto e logico.
4.2 Capacità di presentare le proprie conoscenze con un linguaggio tecnico appropriato.
Con riferimento ai descrittori di Dublino:
ac1 - Presentare i risultati della propria attività in forma scritta e orale con caratteristiche di organicità e rigore tecnico
ac2 - Comunicare informazioni, idee, problemi e soluzioni a specialisti del settore e a interlocutori non specialisti, in lingua italiana o inglese
5. CAPACITA' DI APPRENDIMENTO
5.1 Capacità di determinare autonomamente soluzioni a nuovi problemi legati alla comprensione ed all'interpretazione del testo.
Con riferimento ai descrittori di Dublino:
ap1 - Aggiornarsi in autonomia rispetto al rapido evolversi delle tecnologie dell’ingegneria informatica e, più in generale, dell’ingegneria dell’informazione.
ap2 - Organizzare e gestire in modo indipendente il proprio percorso di apprendimento, sviluppando capacità di analisi e approfondimento sia in contesti guidati sia in attività autonome.
ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati analitici o progettuali, e nelle relazioni delle attività svolte.

• Modelli statistici per il Natural Language Processing
• Reti neurali per il Natural Language Processing
• Large Language Models

L'esame è costituito da una prova orale, volta ad accertare le competenze pratiche e teoriche acquisite durante il corso.
Il corso non prevede il salto appello: gli studenti che ottengono una valutazione non sufficiente hanno facoltà di presentarsi alla prova successiva.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

"Speech and Language Processing", by Dan Jurafsky and James H. Martin

Il corso fornisce le basi teoriche dell'ottimizzazione non lineare. Si prefigge l'obiettivo di fornire agli studenti conoscenza approfondita della teoria dell'ottimizzazione numerica continua, degli algoritmi di ottimizzazione e delle loro principali proprietà.Particolare attenzione è dedicata ai metodi di ottimizzazione rilevanti per il Machine Learning.
Con riferimento ai descrittori di Dublino:
INTELLIGENZA ARTIFICIALE
Conoscenza e Comprensione
cc1 - Comprendere i fondamenti teorici del machine learning, inclusi gli aspetti statistici e
matematici.
cc2 - Applicare tecniche di ottimizzazione continua e combinatoria per risolvere problemi
pratici.
cc10 - Conoscere i principali problemi, strumenti tecnici e relative soluzioni algoritmiche
nei settori del supervised learning, unsupervised learning, reinforcement learning e modelli
generativi.
Capacità di Applicare Conoscenza e Comprensione
ca12 - Utilizzare strumenti tecnici e relative soluzioni algoritmiche nei settori del
supervised learning, unsupervised learning, reinforcement learning e modelli generativi.
Autonomia di Giudizio
ag1 - Maturare la capacità di identificare, localizzare e ottenere i dati richiesti per le
analisi.
ag2 - Sviluppare la capacità di progettazione e conduzione di indagini analitiche
utilizzando modelli e tecniche sperimentali.
ag3 - Acquisire la capacità di interpretare dati provenienti dalla realtà o da simulazioni,
utilizzando le basi modellistiche, informatiche e statistiche apprese.
ag4 - Valutare criticamente dati e risultati per trarre conclusioni informate.
Capacità di Apprendimento
ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di
elaborati progettuali e relazioni.
INGEGNERIA INFORMATICA (MAGISTRALE)
Conoscenza e Comprensione
cc5 - Conoscenze avanzate di modelli e metodi propri della ricerca operativa per
l'ottimizzazione di sistemi complessi;
cc6 - Conoscenze di modelli e metodologie di progetto, sviluppo e verifica di moduli di
elaborazione basati su apprendimento automatico e della loro integrazione con modelli
basati sulla conoscenza
Capacità di Applicare Conoscenza e Comprensione
ca5 - Adottare un approccio ingegneristico ed ispirato alla ottimizzazione per l'analisi e
risoluzione di problemi
ca8 - Formalizzare e risolvere problemi complessi di ottimizzazione e elaborazione
dell’informazione
Autonomia di Giudizio
ag2 - Formulare, in maniera autonoma e con approccio interdisciplinare, considerazioni
rigorose e tecnicamente valide sui temi e progetti affrontati
Capacità di Comunicazione
ac1 - Presentare i risultati della propria attività in forma scritta e orale con caratteristiche
di organicità e rigore tecnico
ac2 - Comunicare informazioni, idee, problemi e soluzioni a specialisti del settore e a
interlocutori non specialisti, in lingua italiana o inglese
Capacità di Apprendimento
ap2 - Organizzare e gestire in modo indipendente il proprio percorso di apprendimento,
sviluppando capacità di analisi e approfondimento sia in contesti guidati sia in attività
autonome.
ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di
elaborati analitici o progettuali, e nelle relazioni delle attività svolte.
INGEGNERIA MECCANICA
CC01: La conoscenza approfondita degli aspetti teorico-scientifici dell'ingegneria, sia in generale sia in modo approfondito relativamente a quelli dell'ingegneria meccanica, per l’identificazione, la formulazione e la risoluzione di problemi complessi o che richiedono un approccio interdisciplinare. CC02: La conoscenza approfondita degli aspetti teorico-scientifici della matematica e delle altre scienze di base per interpretare e descrivere i problemi dell'ingegneria complessi o che richiedono un approccio interdisciplinare. CA02: La capacità di realizzare progetti ingegneristici, lavorando in un ambiente multidisciplinare
CA06: La capacità di scegliere e applicare appropriati metodi analitici e di modellazione, basati sull’analisi matematica e numerica, per poter simulare al meglio il comportamento di componenti e impianti al fine di predirne e migliorarne le prestazioni
CA07: La capacità approfondita di scegliere e utilizzare attrezzature, strumenti, procedure e metodi appropriati, anche attraverso l’uso di modelli teorici, conoscendone i limiti e le potenzialità
CA09: La capacità di raggiungere una preparazione adeguata per poter accedere al terzo livello degli studi universitari (frequenza a master di secondo livello ed a scuole di dottorato), in modo da approfondire ulteriormente conoscenze e capacità nell’ambito della ricerca ;
AG05: La capacità di identificare il bisogno di nuove conoscenze ;
ROBOTICS AND AUTOMATION ENGINEERING
cc15 La conoscenza degli strumenti per l’analisi dei dati e delle tecniche di ottimizzazione anche mediante metodi dell’intelligenza artificiale.
ca7 Attitudine alla risoluzione di problemi e capacità di lavoro autonomo.
ac1 Sa trattare informazioni e dati complessi ricavati da fonti multiple ed è in grado di analizzare e gestire temi multidisciplinari.
ac3 Capacità di sviluppare un ragionamento logico che, a seguito di precise ipotesi, porti alla conseguente dimostrazione di una tesi.

Condizioni di ottimalità;
Metodi per l'ottimizzazione locale non vincolata;
Metodi per l'ottimizzazione locale vincolata;
Metodi di ottimizzazione per problemi di apprendimento automatico.

Esame orale su tutto il programma.
Nel corso dell'esame si verifica mediante quesiti e domande teoriche:

• la conoscenza della teoria dell'ottimizzazione (condizioni di ottimalità);
• la conoscenza di algoritmi di ottimizzazione non lineare e delle loro proprietà teoriche;
• la conoscenza di algoritmi di ottimizzazione applicati nell'ambito dei problemi di apprendimento automatico.
  Tabella docimologica di valutazione
  Insufficiente
  Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
  18–22
  Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
  23–25
  Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
  26–28
  Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
  29–30 e Lode
  Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
  La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Introduction to Methods for Nonlinear Optimization, L. Grippo, M. Sciandrone, Springer Cham, 2023
Metodi di ottimizzazione non vincolata, L. Grippo, M. Sciandrone, Springer-Verlag, 2011
Dispense aggiuntive

Il corso si pone come obiettivi formativi l'acquisizione di:

• conoscenza degli strumenti formali e concettuali del calcolo quantistico;
• capacita' di sviluppare il confronto fra computazione classica e
  quantistica, in riferimento al diverso modo di processare l'informazione per creare nuovi algoritmi quantistici che risolvono problemi concreti più efficientemente dei supercomputer classici;
• comprensione dei vantaggi che le tecnologie quantistiche attualmente disponibili e future possono fornire al machine learning;
• competenze necessarie per eseguire questi nuovi algoritmi sui processori quantistici già disponibili via cloud.
  Descrittori di Dublino per l'insegnamento:
  Conoscenza e Comprensione
  cc13 - Comprendere le teorie e i modelli all'avanguardia nell’analisi di sistemi complessi e nell'apprendimento automatico quantistico.
  Capacità di Applicare Conoscenza e Comprensione
  ca10 - Implementare e valutare tecniche di modellazione stocastica.
  ca15 - Utilizzare teorie e modelli all'avanguardia nell'analisi di sistemi complessi e nell'apprendimento automatico quantistico.
  Autonomia di Giudizio
  ag1 - Maturare la capacità di identificare, localizzare e ottenere i dati richiesti per le analisi.
  ag2 - Sviluppare la capacità di progettazione e conduzione di indagini analitiche utilizzando modelli e tecniche sperimentali.
  ag3 - Acquisire la capacità di interpretare dati provenienti dalla realtà o da simulazioni, utilizzando le basi modellistiche, informatiche e statistiche apprese.
  ag4 - Valutare criticamente dati e risultati per trarre conclusioni informate.
  Capacità di Apprendimento
  ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati progettuali e relazioni.

Titolo: Quantum Machine Learning
Elementi di computazione quantistica: dal bit al qubit, porte logiche e circuiti quantistici, esempi di algoritmi quantistici e relativa programmazione in Python.
Algoritmi ibridi (classico-quantistico) di machine learning: dai circuiti quantistici variazionali all'embedding quantistico dei dati, dal supervised/unsupervised deep learning al reinforcement learning, sino ai più recenti modelli di AI generativa ideati in chiave quantistica.

L'esame si tiene in forma orale e prevede una tesina di approfondimento su una pubblicazione scientifica concordata col docente, associata alla compilazione di un codice numerico per implementare un algoritmo di quantum machine learning.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

• Maria Schuld, Francesco Petruccione, "Machine Learning with Quantum Computers", Springer (2021).
• P. Wittek, "Quantum Machine Learning: What Quantum Computing Means to Data Mining", Academic Press (2016).
• M.A. Nielsen and I.A. Chuang, "Quantum computation and quantum information", Cambridge University Press (2003).