Corso di laurea

Ingegneria Informatica e dell’Intelligenza Artificiale Applicata

Università Telematica San Raffaele · 9 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

Apprendimento automatico e apprendimento profondo 1° anno · 9 CFU · ING-INF/05 · 0 file

L’insegnamento si propone di fornire agli studenti una conoscenza approfondita delle principali tecniche di machine learning e deep learning per l'analisi di dati di natura eterogenea. In particolare, verranno presentati…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento si propone di fornire agli studenti una conoscenza approfondita delle principali tecniche di machine learning e deep learning per l'analisi di dati di natura eterogenea. In particolare, verranno presentati e approfonditi i principali algoritmi di classificazione di dati, di sequenze temporali di informazioni e di pattern complessi quali ad esempio le immagini, e le principali tecniche di apprendimento automatico sia di tipo supervisionato che non supervisionato. Inoltre, verranno illustrate le reti neurali e il loro funzionamento, presentate architetture neurali complesse per l’analisi di dati spaziali, temporali e modelli generativi e forniti i rudimenti dell’apprendimento con rinforzo. Verranno inoltre fornite competenze in merito alla spiegabilità degli algoritmi di machine learning. L’insegnamento contribuisce anche al potenziamento delle capacità trasversali Autonomia di giudizio, Abilità comunicative e Capacità di apprendimento degli studenti nell’ambito delle applicazioni dell’apprendimento automatico e dell’apprendimento profondo.

Programma

Lezione 0: Introduzione al corso
Modulo 1: Concetti di base (1 CFU)
· Lezione 1: Richiami di matematica per l’intelligenza artificiale
o Algebra lineare: vettori, matrici, spazi vettoriali;
o Statistica: correlazione, ipotesi e inferenza, p-values;
o Probabilità: variabili dipendenti e indipendenti, probabilità condizionata, Teorema di Bayes, inferenza bayesiana;
o Discesa del gradiente.
· Lezione 2: Dati e Pattern
o Tipi di dati : numerici, categorici, sequenze, immagini,
o Pattern,
o Acquisizione,
o Preprocessing.
· Lezione 3: Introduzione al Machine Learning e al Deep Learning
o Un po’ di storia
o Tipi di machine learning: supervisionato, non supervisionato, semi-supervisionato, Reinforcement learning
o Neuroni biologici e Neuroni artificiali
o Reti neurali artificiali, DNN
o Applicazioni
· Lezione 4: Metriche di valutazione
o  o Valutazione dei modelli di machine learning e deep learning
o Confusion Matrix
o Precision, Recall, F-Measure, Sensitivity , Specificity
o Accuracy, ROC AUC
o MSE, RMSE, MAE
o Overfitting e Generalizzazione
Lezione 5: Gestione dei progetti di Apprendimento Automatico e Apprendimento Profondo
o Partizionare i dati: Training , Test, Validation set
o K-Fold cross validation
o Random Search
o Workflow dei progetti di Apprendimento Automatico e Apprendimento Profondo
Modulo 2: Fondamenti di programmazione python per il machine learning (1 CFU)
· Lezione 1: Configurare l’ambiente di sviluppo
o Installare Anaconda
o Creare Ambiente in anaconda
o Strumenti per il coding python in anaconda: jupither notebook, spider, pycharm.
· Lezione 2: Ambienti di sviluppo preconfigurati
o Accedere a Google colab
o Utilizzare le risorse avanzate di Google colab
o Salvare e condividere un progetto su Google colab
· Lezione 3: Lavorare con i dati in python
o Numpy, pandas
o Importare dati da excel,sql, csv
o Importare dati da repository esterni
o Strutture dati per il machine learning
o Visualizzazione dei dati , Matplotlib e Seaborn
· Lezione 4: Librerie per il machine learning e il deep learning
o Shikit-learn
o Tensor Flow
o Pythorch
o SciPy
· Lezione 5: Gestire un progetto in python
o Creazione di un progetto in pycharm
o Utilizzo di github per la gestione collaborativa dei progetti
o Utilizzo di google colab per la gestione collaborativa dei progetti
Modulo 3: Apprendimento Automatico Classificazione (1 CFU)
· Lezione 1: Naïve Bayes
o Algoritmo di classificazione Bayesiano
o Implementazione in python
o Applicazioni e limiti
· Lezione 2: Nearest Neighbor e KNN
o Metriche di distanza (Euclidea, Manhattan, Coseno)
o Algoritmo KNN e varianti
o Implementazione in python
o Applicazioni
· Lezione 3: Support Vector Machine
o Margine massimo e iperpiani
o Kernel
o Implementazione in python classificazione binaria e multiclasse
o Applicazioni
· Lezione 4: Decision tree
o Entropia e indice di Gini
o Overfitting e pruning
o Implementazione in python
o Interpretabilità
· Lezione 5: Random Forest
o Ensemble di alberi e bagging
o Importanza delle feature
o Implementazione in python
o Applicazioni
Modulo 4: Apprendimento Automatico Regressione (1 CFU)
· Lezione 1: Regressione Lineare
o Modello lineare semplice
o Stima dei coefficienti
o Implementazione in python
o Valutazione del modello
· Lezione 2: Regressione Lineare Multipla
o Estensione a più variabili
o Multicollinearità e VIF
o Implementazione in python
o Interpretazione dei coefficienti
· Lezione 3: Logistic Regression
o Funzione logistica
o Classificazione binaria e multiclasse
o Implementazione in python
o Applicazioni
· Lezione 4: Regressione Ridge e Lasso (Regolarizzazione)
o Overfitting nei modelli lineari
o Penalizzazione L1 e L2
o Implementazione in python
o Elastic Net
· Lezione 5: Modelli Basati su alberi
o Decision Tree Regressor
o Random Forest Regressor
o Gradient Boosting e XGBoost
o Implementazione in pyhton
Modulo 5: Apprendimento Automatico non supervisionato (1 CFU)
· Lezione 1: Clustering gerarchico
o Metriche di similarità
o Agglomerative vs divisive
o Dendrogrammi
o Implementazione in pyhton
· Lezione 2: K-means
o Algoritmo iterativo
o Scelta del numero di cluster
o Implementazione in pyhton
o Vantaggi e limiti
· Lezione 3: PCA
o Riduzione della dimensionalità
o Autovalori e autovettori
o Visualizzazione dei dati
o Implementazione in python
· Lezione 4: DBSCAN
o Principio di clustering basato sulla densità
o Identificazione di cluster di forma arbitraria e gestione degli outlier
o Parametri principali: epsilon (raggio) e minPts (numero minimo di punti)
o Implementazione in pyhton
· Lezione 5: t-SNE
o Riduzione non lineare
o Struttura locale dei dati
o Visualizzazione in 2D/3D
o Implementazione in pyhton
Modulo 6: Reti Neurali (1 CFU)
· Lezione 1: Percettrone
o Neurone artificiale
o Regola di aggiornamento dei pesi
o Limiti del percettrone
o Implementazione in pyhton
· Lezione 2: MLP
o Architettura con hidden layer
o Backpropagation
o Funzioni di attivazione
o Implementazione in pyhton
· Lezione 3: CNN
o Convoluzione e kernel
o Pooling
o Applicazioni in visione
o Implementazione in pyhton
· Lezione 4: RNN
o Architettura sequenziale
o Vanishing/exploding gradient
o LSTM e GRU
o Implementazione in pyhton
· Lezione 5: Classificazione e Regressione con Reti Neurali
o Output e funzioni di perdita per classificazione
o Output e funzioni di perdita per regressione
o Applicazioni pratiche
o Implementazione in pyhton
Modulo 7: Apprendimento Profondo (1 CFU)
· Lezione 1: Fondamenti del Deep Learning
o Differenze tra Machine Learning e Deep Learning
o Reti neurali profonde (DNN)
o Vantaggi e limiti del deep learning
· Lezione 2: Ottimizzazione nelle Reti Profonde
o Discesa del gradiente stocastico e varianti (SGD, Adam)
o Problemi di vanishing ed exploding gradient
o Batch normalization e dropout
· Lezione 3: Reti Convoluzionali Avanzate
o Architetture classiche: AlexNet, VGG, ResNet
o Residual connections e skip connections
o Data augmentation e transfer learning
· Lezione 4: Reti Ricorrenti Avanzate
o LSTM e GRU
o Sequence-to-sequence models
o Applicazioni nel NLP e nel time series forecasting
o Modelli multimodali
· Lezione 5: Generative Deep Learning
o Autoencoder e Variational Autoencoder (VAE)
o Generative Adversarial Networks (GANs)
o Applicazioni creative (immagini, testi, musica)
Modulo 8: Transformer (1 CFU)
· Lezione 1: Introduzione ai Transformer
o Limiti delle RNN nei dati sequenziali
o Architettura encoder-decoder
o Self-attention come concetto chiave
· Lezione 2: Meccanismo di Attenzione
o Scaled dot-product attention
o Multi-head attention
o Positional encoding
· Lezione 3: Architetture di Riferimento
o Transformer “puro” (Vaswani et al., 2017)
o BERT: pre-training e fine-tuning
o GPT e modelli autoregressivi
o Vision Transformer
· Lezione 4: Fine-Tuning e Prompt Engineering
o Transfer learning
o Fine-tuning per task specifici
o Prompt engineering
· Lezione 5: Applicazioni dei Transformer
o NLP: traduzione, question answering, text generation
o Vision Transformer (ViT) per le immagini
o Multimodal transformer (testo + immagini)
o Costi computazionali e scalabilità
o Etica, bias e implicazioni sociali
Modulo 9: Spiegabilità (1 CFU)
· Lezione 1: Introduzione alla Spiegabilità
o Black-box vs white-box models
o Importanza della spiegabilità in AI
o Regolamentazione ed etica
· Lezione 2: Metodi Post-hoc per Modelli Classici
o Feature importance nei modelli ad albero
o Partial Dependence Plots (PDP)
o LIME e SHAP per modelli di ML
· Lezione 3: Spiegabilità nel Deep Learning
o Saliency maps e gradient-based methods
o Class Activation Maps (CAM, Grad-CAM)
o Perturbation-based explanations
· Lezione 4: XAI per Transformer e NLP
o Attention visualization e interpretazione
o Analisi dei pesi nei layer di attenzione
o Limitazioni delle spiegazioni attention-based
· Lezione 5: Sfide e Prospettive della XAI
o Trade-off tra accuratezza e interpretabilità
o Robustezza delle spiegazioni
o Futuro della spiegabilità e AI trasparente

Modalità d'esame

Al termine del corso è previsto lo svolgimento di un esame di profitto composto da una parte progettuale e da una prova teorica. La valutazione della prova teorica andrà a fare media ponderata con la valutazione del progetto pratico richiesto che avrà un peso del 40% del voto totale. Lo svolgimento del progetto è obbligatorio e il conseguimento di una votazione sufficiente per esso (18/30) costituisce prerequisito per l’accesso alla prova teorica. Il progetto pratico è volto a dimostrare la capacità da parte dello studente di implementare un sistema di machine learning e/o deep learning. Lo studente dovrà sostenere una prova teorica volta a dimostrare la conoscenza degli argomenti trattati durante le lezioni ed in particolare dovrà dimostrare di aver acquisito le conoscenze teoriche relative all’implementazione di sistemi di machine learning e deep learning, alla loro valutazione e al loro utilizzo in ambiti reali. Sarà possibile svolgere l’esame teorico in due modalità: nelle sedi decentrate mediante lo svolgimento su supporto informatico (tablet appositamente dedicati) di un quiz a risposta multipla che prevede n°30 domande a risposta multipla più una 31esima domanda che verrà conteggiata solo in caso di risposte corrette a tutte le domande precedenti e che servirà per il conseguimento della lode; In presenza nelle sede di Roma in questo caso l’esame potrà essere in forma esclusivamente orale o composto da un test scritto e da un breve colloquio orale.

Testi di riferimento

Il docente consiglia l’integrazione del materiale fornito (videolezioni, dispense, slides, esercitazioni) con i seguenti testi, a cui il docente può fare riferimento durante le lezioni:
· Gareth James ,Daniela Witten ,Trevor Hastie ,Robert Tibshirani ,Jonathan Taylor “An Introduction to Statistical Learning with application in python” (gratuitamente disponibile all’indirizzo https://www.statlearning.com/)
· Ian Goodfellow and Yoshua Bengio and Aaron Courville “Deep Learning textbook” (gratuitamente disponibile all’indirizzo https://www.deeplearningbook.org/)
· Aston Zhang, Zachary C. Lipton, Mu Li, Alexander J. Smola “ Dive into Deep Learning” (gratuitamente disponibile all’indirizzo https://d2l.ai/)

Codice insegnamento 0322509INGINF05

Intelligenza artificiale distribuita 1° anno · 9 CFU · ING-INF/05 · 0 file

Conoscenza e comprensione dei principi base e delle proprietà dei sistemi distribuiti complessi. Conoscenza e comprensione dei principali algoritmi distribuiti. Conoscenza e comprensione dei principi base e delle…

Scheda dell'insegnamento

Obiettivi formativi

  • Conoscenza e comprensione dei principi base e delle proprietà dei sistemi distribuiti complessi.
  • Conoscenza e comprensione dei principali algoritmi distribuiti.
  • Conoscenza e comprensione dei principi base e delle principali tecnologie per lo sviluppo di sistemi software distribuiti.
  • Comprensione del concetto di intelligenza artificiale distribuita.
  • Capacità di programmare algoritmi distribuiti.
  • Capacità di applicare tecniche di coordinamento distribuito.
  • Conoscenze e capacità di comprensione:
  • Capacità di programmare simulazioni di sistemi distribuiti.

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online (prova in itinere), scritta strutturata in presenza.

Codice insegnamento 0322509INGINF05I

Intelligenza artificiale scalabile 1° anno · 9 CFU · ING-INF/05 · 0 file

Modulo 1 – Fondamenti dei sistemi ML distribuiti e pattern di data ingestion (1 CFU) 1. Introduzione ai sistemi di machine learning distribuiti 2. Pattern per Data Ingestion 3. Batching Pattern 4. Sharding Pattern 5.…

Scheda dell'insegnamento

Programma

Modulo 1 – Fondamenti dei sistemi ML distribuiti e pattern di data ingestion (1 CFU)
1. Introduzione ai sistemi di machine learning distribuiti
2. Pattern per Data Ingestion
3. Batching Pattern
4. Sharding Pattern
5. Caching Pattern
Modulo 2 – Pattern per il training distribuito e il model serving (1.2 CFU)
6. Pattern per il training distribuito: Parameter Server Pattern
7. Collective Communication Pattern
8. Elasticity e fault-tolerance pattern
9. Model serving patterns: Replicated services pattern
10. Model serving patterns: Sharded-service pattern
11. Event-driven processing pattern
Modulo 3 – Workflow, operations e progettazione end-to-end di un sistema ML (1.2 CFU)
12. Workflow patterns
13. Fan-in Fan-out pattern
14. Synchronous and asynchronous pattern
15. Step memorization pattern
16. Operation patterns
17. Machine learning workflow: project overview and system architecture
Modulo 4 – Fondamenti di HPC: gerarchie di memoria e parallelismo a livello istruzione (1 CFU)
18. Introduzione ai sistemi di High-Performance Computing (HPC)
19. Progettazione di gerarchie di memoria
20. Parallelismo a livello istruzione
21. Scheduling Dinamico ed Esecuzione Speculativa
22. Sfruttare il Parallelismo a Livello di Istruzione: Emissione Multipla, Scheduling Dinamico e Speculazione
Modulo 5 – Throughput e parallelismo a livello dati: architetture vettoriali e SIMD (0.8 CFU)
23. Tecniche Architetturali per il Miglioramento del Throughput nei Processori Moderni
24. Architetture vettoriali e parallelismo a livello dati
25. Estensioni SIMD dell'insieme di istruzioni per il multimediale
26. Rilevamento e miglioramento del parallelismo a livello di ciclo
Modulo 6 – Parallelismo a livello thread e sistemi multiprocessore (1 CFU)
27. Parallelismo a Livello di Thread: Architetture Multiprocessore e Modelli MIMD
28. Prestazioni dei Multiprocessori a Memoria Condivisa
29. Memoria Condivisa Distribuita e Coerenza basata su Directory
30. Sincronizzazione e Consistenza della Memoria nei Sistemi Multiprocessore
31. Processori Multicore: Prestazioni, Scalabilità e Fallacie di Valutazione
Modulo 7 – Warehouse-scale computer e architetture specifiche di dominio (0.8 CFU)
32. Warehouse-scale Computers: Architettura, Modelli di Programmazione e Carichi di Lavoro
33. Warehouse-scale Computers: Architettura di Rete, Efficienza dei Costi e Cloud Computing
34. Warehouse-Scale Computer: Rete, Efficienza Energetica e il Caso Google
35. Architetture Specifiche di Dominio: Linee Guida e il Caso delle Reti Neurali Profonde
Modulo 8 – Deep learning con GPU: dai modelli al deployment (1 CFU)
36. Deep Learning con GPU: Introduzione, Reti Convoluzionali e Reti Ricorrenti
37. Deep Learning con GPU: Accelerazione Hardware e Addestramento di un Modello
38. Framework di Deep Learning e Configurazione del Supporto GPU
39. Deep Learning con GPU: Strategie Multi-GPU, Ottimizzazione della Memoria e Deployment
40. Deep Learning con GPU: Transfer Learning e Fine-Tuning di Modelli Pre-addestrati
Modulo 9 – Programmazione GPU con CUDA e training distribuito su larga scala (1 CFU)
41. Ricerca Vettoriale e Fine-Tuning Accelerati da GPU
42. Il Modello di Programmazione CUDA
43. Programmazione e Ottimizzazione GPU in CUDA
44. Addestramento Distribuito e Multi-GPU
45. Framework, Cloud/HPC e Monitoraggio per il Training Distribuito

Modalità d'esame

MODALITÀ D'ESAME
-----------------------------------
L'esame si compone di due parti:
1. Prova teorica (obbligatoria)
2. Progetto (opzionale)
La prova teorica si svolge secondo le modalità previste dall'ateneo (prova
intermedia + prova finale in presenza) e ha lo scopo di verificare la
conoscenza degli argomenti trattati a lezione, in particolare dei contenuti
teorici introdotti dal corso.
Il progetto è opzionale. Se svolto, dà diritto a un bonus fino a un massimo
di 5 punti, che si somma al punteggio conseguito nella prova teorica. Il
bonus viene calcolato secondo quanto indicato nella sezione CALCOLO DEL
BONUS. Il progetto deve essere consegnato e discusso prima della prova
intermedia (si veda la sezione CONSEGNA).
DESCRIZIONE GENERALE DEL PROGETTO
-----------------------------------
Il progetto consiste nella realizzazione di un sistema di machine learning
distribuito per la risoluzione di un task a scelta dello studente. In
alternativa, è possibile svolgere un approfondimento scientifico (si veda la
sezione MODALITÀ DI SVOLGIMENTO).
APPROVAZIONE PREVENTIVA
-----------------------------------
Tutte le modalità di svolgimento richiedono l'approvazione preventiva del
docente. Prima di iniziare, lo studente invia una proposta via email a
[email protected].
Per i progetti di implementazione, la proposta descrive sinteticamente il
task da risolvere, i dati da utilizzare, i pattern architetturali da
implementare e le componenti del bonus che si intendono realizzare.
Esempio: "Vorrei implementare un sistema che risolve il task di
classificazione del sentiment, utilizzando dataset da Hugging Face e
implementando i pattern fan-out, step memoization e metadata."
Per gli approfondimenti scientifici, la proposta descrive il tema e il
perimetro della rassegna.
Il docente può approvare la proposta, richiedere modifiche o suggerire
alternative più adatte agli obiettivi del corso.
MODALITÀ DI SVOLGIMENTO
-----------------------------------
1. Progetto individuale – Implementazione
È la modalità standard. Lo studente realizza un sistema di machine
learning che addestra un nuovo modello per risolvere un task a scelta.
2. Progetto di gruppo – Implementazione (max 2 persone)
È possibile chiedere al docente di svolgere il progetto in coppia. Il
carico di lavoro complessivo (task, dati, pattern implementati,
complessità del sistema) deve essere concordato preventivamente con il
docente, che valuterà se è adeguatamente maggiore rispetto a quello di un
progetto individuale.
3. Progetto individuale – Approfondimento scientifico
In alternativa all'implementazione, lo studente produce una rassegna
critica della letteratura su un tema specifico del corso (ad esempio un
pattern architetturale, una tecnica di training distribuito,
un'applicazione di ML su larga scala). Modalità, perimetro e bonus
attribuibile vanno concordati con il docente prima di iniziare.
REQUISITI TECNICI (PROGETTI DI IMPLEMENTAZIONE)
-----------------------------------
Tecnologie
Il sistema può essere implementato con tecnologie a scelta dello studente
(linguaggio di programmazione, librerie, piattaforma). A titolo di esempio:
Python, TensorFlow/PyTorch, Docker, Kubernetes, Kubeflow, Argo Workflows.
Non è obbligatorio utilizzarle tutte.
Addestramento del modello
Il progetto deve prevedere l'addestramento di un nuovo modello, con
algoritmo e dati a scelta dello studente. Non è sufficiente utilizzare
modelli pre-addestrati senza una fase di training propria.
Pattern architetturali
Il sistema deve implementare uno o più pattern architetturali visti a
lezione.
CALCOLO DEL BONUS (PROGETTI DI IMPLEMENTAZIONE)
-----------------------------------
Il bonus, fino a un massimo di 5 punti, si ottiene sommando i punti delle
seguenti componenti (1 punto ciascuna):
Task complesso (1 punto)
Il sistema affronta un task complesso (es. object detection,
segmentazione, NER, traduzione automatica, question answering, riassunto,
generazione di testo o immagini, riconoscimento del parlato, task su
video). I task semplici (es. classificazione di testi o di immagini) non
danno punti per questa componente.
Dati reali (1 punto)
Il modello è addestrato su un dataset reale (es. da Hugging Face, Kaggle,
TensorFlow Datasets) anziché su dati sintetici o dataset giocattolo.
Esecuzione multiprocesso (1 punto)
Il workflow è eseguito da più processi coordinati (es. più worker, più
container o più nodi).
Containerizzazione o cloud (1 punto)
Il sistema è containerizzato (es. Docker, Kubernetes) oppure è distribuito
su una piattaforma cloud.
Pattern architetturali (1 punto)
I pattern architetturali visti a lezione sono implementati in modo
appropriato e motivato rispetto al sistema.
Ogni punto viene assegnato solo se la componente corrispondente funziona
correttamente ed è spiegata in modo adeguato durante la discussione orale
(si veda la sezione CRITERI DI VALUTAZIONE).
DATI DI ADDESTRAMENTO
-----------------------------------
Per reperire i dati su cui addestrare il modello si possono utilizzare, ad
esempio, le seguenti sorgenti pubbliche:

  • Hugging Face Datasets: https://huggingface.co/datasets
    Migliaia di dataset per NLP, computer vision, audio e altri domini.
  • Kaggle: https://www.kaggle.com/datasets
    Ampio catalogo di dataset pubblici per ML.
  • TensorFlow Datasets: https://www.tensorflow.org/datasets
    Dataset integrati nativamente con TensorFlow e altri framework Python.
    È possibile utilizzare anche altre sorgenti, nel rispetto delle relative
    licenze d'uso.
    CONSEGNA
    -----------------------------------
    Scadenza
    Il progetto deve essere consegnato almeno 2 settimane prima della data
    scelta per la prova intermedia, e discusso prima di essa.
    Modalità di consegna
    La consegna avviene via email a [email protected], allegando:
  • il PDF del report;
  • il link al repository del progetto (in alternativa, un archivio
    compresso);
  • la data in cui si intende sostenere la prova intermedia.
    Il docente proporrà successivamente una data per la discussione orale.
    Materiale da consegnare (progetti di implementazione)
  • Codice sorgente del sistema, organizzato in modo chiaro e modulare
  • README con le istruzioni per installare le dipendenze ed eseguire il
    software
  • File delle dipendenze (es. requirements.txt o environment.yml)
  • Seed casuali fissati nel codice, dove applicabile
  • Report (1-2 pagine, PDF) con scelte progettuali, pattern implementati,
    dati utilizzati, componenti del bonus realizzate e risultati della
    valutazione del modello (almeno una metrica, es. accuracy, F1-score,
    loss)
    Materiale da consegnare (approfondimento scientifico)
  • Rassegna critica in PDF, con lunghezza e struttura concordate con il
    docente
    DISCUSSIONE ORALE ONLINE
    -----------------------------------
    Lo studente sarà convocato per una breve discussione orale online.
    Per i progetti di implementazione, le domande riguarderanno la comprensione
    del codice consegnato, ad esempio: "Cosa fa questa istruzione?", "Cosa
    succede se modifico questa istruzione in questo modo?", "Come aggiungerei
    questa funzionalità?"
    Per gli approfondimenti scientifici, le domande riguarderanno i lavori
    analizzati e le considerazioni critiche presentate nella rassegna.
    CRITERI DI VALUTAZIONE
    -----------------------------------
    Progetti di implementazione
    1. Correttezza e funzionamento
    Il sistema deve essere eseguibile e produrre risultati coerenti con il
    task scelto. Il codice non deve contenere errori bloccanti e il modello
    deve essere effettivamente addestrato.
    2. Qualità e pertinenza dei pattern architetturali
    I pattern devono essere usati in modo appropriato e motivato, non
    inseriti artificialmente. Si valuta se lo studente ha compreso perché un
    certo pattern è utile nel contesto del proprio sistema.
    3. Qualità del report
    Chiarezza, completezza e capacità di sintesi. Il report deve descrivere
    scelte progettuali, pattern implementati, dati utilizzati e risultati,
    con almeno una metrica quantitativa.
    4. Qualità del codice
    Leggibilità, organizzazione modulare, presenza di commenti, chiarezza
    del README e riproducibilità dell'esecuzione.
    5. Complessità del progetto
    Determina il bonus massimo ottenibile (si veda la sezione CALCOLO DEL
    BONUS).
    6. Discussione orale
    Capacità di spiegare e motivare le scelte fatte, rispondere a domande
    sul codice e ragionare su possibili modifiche o estensioni del sistema.
    Approfondimenti scientifici
    Si valutano la pertinenza e la completezza della letteratura considerata,
    la capacità di analisi critica, la chiarezza espositiva e la discussione
    orale.
    USO DI STRUMENTI BASATI SU LLM
    -----------------------------------
    L'uso di strumenti come GitHub Copilot, ChatGPT o Claude è consentito, a
    condizione che avvenga in modo etico e responsabile.
  • Lo studente è pienamente responsabile di tutto il materiale consegnato.
  • Il codice e i testi generati automaticamente devono essere compresi,
    verificati e integrati consapevolmente.
  • L'uso di LLM non deve essere un modo per aggirare l'apprendimento.
  • Durante la discussione orale il docente verificherà la comprensione
    effettiva del materiale consegnato. Non saper rispondere è considerato un
    segnale di disonestà accademica.
  • Nel report va dichiarato se e come sono stati utilizzati strumenti LLM.
    TASK SUGGERITI (LISTA NON ESAUSTIVA)
    -----------------------------------
    Natural Language Processing
  • Classificazione del testo (es. analisi del sentiment, rilevamento di
    spam, classificazione di notizie)
  • Named Entity Recognition (NER)
  • Traduzione automatica
  • Question answering su documenti
  • Riassunto automatico di testi
  • Text generation / completamento del testo
    Elaborazione di immagini
  • Classificazione di immagini (es. riconoscimento di oggetti, scene, cifre)
  • Object detection (rilevamento e localizzazione di oggetti)
  • Segmentazione semantica o per istanze
  • Riconoscimento facciale o di espressioni
  • Super-resolution e denoising di immagini
  • Generazione di immagini (es. con modelli generativi)
    Elaborazione video
  • Classificazione di azioni in video (action recognition)
  • Rilevamento di anomalie in sequenze video
  • Object tracking (tracciamento di oggetti nel tempo)
  • Video captioning (descrizione automatica di video)
    Elaborazione audio
  • Riconoscimento automatico del parlato (ASR / speech-to-text)
  • Classificazione di suoni o eventi acustici
  • Rilevamento di parole chiave (keyword spotting)
  • Identificazione del parlante (speaker identification)
  • Classificazione di generi musicali
    Il docente si riserva di approvare task diversi da quelli elencati, purché
    coerenti con i contenuti del corso.

Codice insegnamento 0322509INGINF05II

Introduzione al trattamento quantistico delle informazioni 1° anno · 6 CFU · FIS/03 · 0 file

Il programma è articolato in diverse UD (Unità Didattiche) pari a 1 CFU di contenuto. Per ogni UD sono previste 5 ore di didattica erogativa svolta in modalità asincrona tramite video lezioni registrate dal docente e 2…

Scheda dell'insegnamento

Programma

Il programma è articolato in diverse UD (Unità Didattiche) pari a 1 CFU di contenuto. Per ogni UD sono previste 5 ore di didattica erogativa svolta in modalità asincrona tramite video lezioni registrate dal docente e 2 ore di didattica interattiva svolta in maniera sincrona.
UD1: Fondamenti di quantum computing
Introduzione generale, prerequisiti matematici e primi concetti fisici/informativi: algebra lineare e probabilità come base per descrivere stati quantistici, qubit e primi esempi di entanglement.
UD2: Non-località, logica e porte quantistiche
Dal teorema di Bell e i suoi significati, si passa alla logica classica come confronto, quindi alle quantum gate e a come si codifica/trasmette informazione tramite qubit, fino ai primi algoritmi.​
UD3: Algoritmi chiave e implementazioni
Panoramica di due algoritmi fondamentali, poi focus su Shor e Grover e sul legame con le tecnologie del quantum computing; chiusura con realizzazione/emulazione dei computer quantistici e introduzione agli FPGA come piattaforma hardware.​
UD4: VHDL: basi e logica digitale
Introduzione al VHDL, tipi e oggetti, quindi progettazione di logica combinatoria e sequenziale; chiusura sui circuiti sequenziali più comuni.​
UD5: VHDL avanzato e flusso di verifica
Esempio pratico di FSM, lavoro con vettori e matrici in VHDL, introduzione alla Static Timing Analysis (STA) e infine testbench e tecniche di verification.​
UD6: Laboratorio
Attività pratiche in laboratorio per applicare in ambiente Vivado i concetti di logica combinatoria e sequenziale, fino all’implementazione di operazioni aritmetiche vettoriali e matriciali per l’accelerazione dei calcoli di quantum computing.
Testi consigliati
Il docente consiglia l’integrazione del materiale fornito (videolezioni, slides, esercitazioni) con i seguenti testi, a cui il docente può fare riferimento durante le lezioni:
Donzellini, G., Oneto, L., Ponta, D., & Anguita, D. (2018). Introduzione al progetto di sistemi digitali. Springer Milan. Ercegovac, M. D., Moreno, J. H., & Lang, T. (1998). Introduction to digital systems. John Wiley & Sons, Inc.. Pong P. Chu “RTL HARDWARE DESIGN USING VHDL” Mark Zwolinski ”VHDL progetto di sistemi digitali” Douglas Perry “VHDL Programming by Example” Maxfield C.“The Design Warrior’s Guide to FPGAs” Bernhardt, Chris. Quantum computing for everyone. Mit Press, 2019. Bandini, Michele. "Crittografia quantistica e algoritmo di Shor." (2017).

Modalità d'esame

Modalità di accertamento dei risultati di apprendimento acquisiti dallo studente
Per valutate le capacità acquisite nel governare le nozioni apprese, nel creare delle connessioni con altri insegnamenti del corso di studi in maniera autonoma lo studente sarà sottoposto a una prova scritta da svolgere in presenza o a distanza e alla valutazione di un progetto pratico da consegnare prima dell’esame. Attraverso la prova scritta sarà valutata la conoscenza degli elementi di carattere teorico e pratico mentre la valutazione del progetto valuterà la capacità di applicazione pratica delle nozioni acquisite.
Modalità di esame
La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online (prova in itinere), scritta in presenza.
Per gli studenti che seguono la didattica interattiva sono previsti bonus sul voto dell’esame scritto, a riconoscimento della partecipazione attiva e del lavoro svolto durante il semestre. In particolare:
+1 punto sul voto d’esame se lo studente ha seguito almeno il 50% delle lezioni erogate in modalità sincrona e ha superato i relativi test in itinere. +2 punti sul voto d’esame se lo studente ha seguito almeno il 75% delle lezioni sincrone e ha superato i relativi test in itinere.
I punti aggiuntivi vengono applicati solo se il voto ottenuto alla prova scritta finale è almeno pari a 18/30 e possono contribuire all’attribuzione della lode nel caso in cui il punteggio complessivo raggiunga o superi la soglia prevista per 30 e lode.
Propedeuticità
Come da regolamento del corso di studi, non sono previste propedeuticità.
Prerequisiti
Per seguire il corso con adeguata proficuità, è opportuno che lo studente abbia già superato i seguenti esami, da considerarsi prerequisiti:
· Fisica
· Algoritmi e strutture dati
· Reti logiche
· Elettronica digitale

Codice insegnamento 0322506FIS03

IoT e Sistemi intelligenti 3D 1° anno · 9 CFU · ING-INF/05 · 0 file

Il corso mira a formare una figura professionale capace di progettare l'intera pipeline di un sistema di percezione intelligente: dall'acquisizione del dato fisico (IoT/Embedded), all'estrazione di informazioni tramite…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a formare una figura professionale capace di progettare l'intera pipeline di un sistema di percezione intelligente: dall'acquisizione del dato fisico (IoT/Embedded), all'estrazione di informazioni tramite intelligenza artificiale su edge (Edge AI), all'elaborazione spaziale (3D Vision), fino alla stima dello stato e all'integrazione in sistemi distribuiti (Digital Twin) in ottica Industria 4.0 e Smart City.

Programma

Il programma si compone di 5 moduli:
Progettazione di applicazioni embedded Sensori IoT, Percezione 3D e Pipeline Dati Edge AI e Ottimizzazione Modelli Geometria Multivista e Deep Feature Matching Ricostruzione 3D Neurale e Rendering

Modalità d'esame

L'esame consta di un test intermedio a scelta multipla e un esame in presenza di verifica finale.

Codice insegnamento 0322509INGINF05III

Trattamento dei dati multimediali 1° anno · 9 CFU · ING-INF/05 · 0 file

Modulo 1 - Introduzione al corso e immagini digitali (1 CFU) Lezione 1 - Introduzione al Trattamento di Dati Multimediali Lezione 2 - Rappresentazione digitale delle immagini Lezione 3 - Formati popolari per immagini…

Scheda dell'insegnamento

Programma

Modulo 1 - Introduzione al corso e immagini digitali (1 CFU)
Lezione 1 - Introduzione al Trattamento di Dati Multimediali
Lezione 2 - Rappresentazione digitale delle immagini
Lezione 3 - Formati popolari per immagini
Lezione 4 - Scienza dei colori
Lezione 5 - Modelli di Colore nelle Immagini
Modulo 2 - Il segnale video: dall'analogico al 360° (1 CFU)
Lezione 6 - Concetti Fondamentali nel Video Analogico
Lezione 7 - Concetti Fondamentali nel Video Digitale
Lezione 8 - Video ad alta definizione
Lezione 9 - Video 3D
Lezione 10 - Video 360° e Video Quality Assessment
Modulo 3 - Audio digitale: acquisizione, qualità e codifica di base (1.2 CFU)
Lezione 11 - Digitalizzazione del suono
Lezione 12 - Rapporto segnale rumore e quantizzazione lineare e non-lineare
Lezione 13 - Audio Filtering e Audio Quality
Lezione 14 - MIDI
Lezione 15 - Quantizzazione e trasmissione dell'audio
Lezione 16 - Codifiche audio differenziali
Modulo 4 - Compressione lossless (1 CFU)
Lezione 17 - Algoritmi di Compressione Lossless
Lezione 18 - Codifica basata su dizionario
Lezione 19 - Algoritmo LZW
Lezione 20 - Codifica Aritmetica
Lezione 21 - Compressione Lossless di Immagini
Modulo 5 - Compressione con perdita: quantizzazione, trasformate e wavelet (0.8 CFU)
Lezione 22 - Algoritmi di Compressione con Perdita: Distorsione, Rateo e Quantizzazione
Lezione 23 - Codifica mediante Trasformate
Lezione 24 - Codifica delle immagini basata su trasformata wavelet
Lezione 25 - Codifica Embedded a Wavelet: Wavelet Packets, EZW e SPIHT
Modulo 6 - Standard di compressione delle immagini (1 CFU)
Lezione 26 - Lo standard JPEG
Lezione 27 - JPEG 2000 e JPEG-LS: Compressione Basata su EBCOT
Lezione 28 - Lo standard JPEG-LS: predizione, context modeling e codifica near-lossless
Lezione 29 - Compressione di immagini bi-livello: gli standard JBIG e JBIG2
Lezione 30 - JBIG2: Compressione Model-Based delle Immagini Bi-Livello
Modulo 7 - Compressione video: fondamenti e primi standard (1 CFU)
Lezione 31 - Compressione Video: Fondamenti e Ricerca del Vettore di Movimento
Lezione 32 - Il Codec Video H.261
Lezione 33 - Il Codec H.263
Lezione 34 - Il Codec MPEG-1
Lezione 35 - MPEG-2: Profili, Scalabilità
Modulo 8 - Standard video avanzati: da MPEG-4 a VVC (1 CFU)
Lezione 36 - MPEG-4: Codifica Video Basata su Oggetti
Lezione 37 - MPEG-7: Descrizione del Contenuto Multimediale
Lezione 38 - H.264/AVC: Standard di Codifica Video Avanzata
Lezione 39 - H.265/HEVC: Standard di Codifica Video ad Alta Efficienza
Lezione 40 - H.266/VVC: Versatile Video Coding
Modulo 9 - Compressione della voce e dell'audio (1 CFU)
Lezione 41 - ADPCM nella Codifica Vocale: lo Standard G.726
Lezione 42 - Vocoder: Tecniche di Codifica Vocale a Basso Bitrate
Lezione 43 - Psicoacustica: Sonorità e Mascheramento Uditivo
Lezione 44 - La Compressione Audio MPEG
Lezione 45 - Altri Codec Audio

Modalità d'esame

MODALITÀ D'ESAME
-----------------------------------
L'esame si compone di due parti:
1. Prova teorica (obbligatoria)
2. Progetto (opzionale)
La prova teorica si svolge secondo le modalità previste dall'ateneo (prova
intermedia + prova finale in presenza) e ha lo scopo di verificare la
conoscenza degli argomenti trattati a lezione, in particolare dei contenuti
teorici introdotti dal corso.
Il progetto è opzionale. Se svolto, dà diritto a un bonus fino a un massimo
di 5 punti, che si somma al punteggio conseguito nella prova teorica. Il
bonus viene calcolato secondo quanto indicato nella sezione CALCOLO DEL
BONUS. Il progetto deve essere consegnato e discusso prima della prova
intermedia (si veda la sezione CONSEGNA).
DESCRIZIONE GENERALE DEL PROGETTO
-----------------------------------
Il progetto consiste nella realizzazione di un sistema di trattamento di
dati multimediali (immagini, audio, video) per la risoluzione di un caso
d'uso a scelta dello studente. In alternativa, è possibile svolgere un
approfondimento scientifico (si veda la sezione MODALITÀ DI SVOLGIMENTO).
APPROVAZIONE PREVENTIVA
-----------------------------------
Tutte le modalità di svolgimento richiedono l'approvazione preventiva del
docente. Prima di iniziare, lo studente invia una proposta via email a
[email protected].
Per i progetti di implementazione, la proposta descrive sinteticamente il
caso d'uso da affrontare, i dati da utilizzare, le tecniche del corso che
si intendono applicare e le componenti del bonus che si intendono
realizzare.
Esempio: "Vorrei implementare un motore di ricerca che, data una query
testuale, recupera le immagini più pertinenti di una collezione tramite
CLIP, utilizzando un dataset da Hugging Face e valutando i risultati con
la metrica precision@k."
Per gli approfondimenti scientifici, la proposta descrive il tema e il
perimetro della rassegna.
Il docente può approvare la proposta, richiedere modifiche o suggerire
alternative più adatte agli obiettivi del corso.
MODALITÀ DI SVOLGIMENTO
-----------------------------------
1. Progetto individuale – Implementazione
È la modalità standard. Lo studente realizza un sistema di trattamento
di dati multimediali che affronta un caso d'uso a scelta.
2. Progetto di gruppo – Implementazione (max 2 persone)
È possibile chiedere al docente di svolgere il progetto in coppia. Il
carico di lavoro complessivo (caso d'uso, dati, tecniche implementate,
complessità del sistema) deve essere concordato preventivamente con il
docente, che valuterà se è adeguatamente maggiore rispetto a quello di
un progetto individuale.
3. Progetto individuale – Approfondimento scientifico
In alternativa all'implementazione, lo studente produce una rassegna
critica della letteratura su un tema specifico del corso (ad esempio la
rappresentazione di dati multimediali in basi di conoscenza, gli
standard di compressione video, le codifiche audio percettive).
Modalità, perimetro e bonus attribuibile vanno concordati con il
docente prima di iniziare.
REQUISITI TECNICI (PROGETTI DI IMPLEMENTAZIONE)
-----------------------------------
Tecnologie
Il sistema può essere implementato con tecnologie a scelta dello studente
(linguaggio di programmazione, librerie, piattaforma). A titolo di esempio:
Python, Pillow, OpenCV, FFmpeg, librosa, PyTorch, Hugging Face
Transformers, rdflib. Non è obbligatorio utilizzarle tutte.
Elaborazione di dati multimediali
Il sistema deve elaborare effettivamente dati multimediali (immagini,
audio o video). È consentito l'uso di modelli pre-addestrati.
Collegamento con gli argomenti del corso
Il sistema deve riguardare uno o più argomenti trattati a lezione.
CALCOLO DEL BONUS (PROGETTI DI IMPLEMENTAZIONE)
-----------------------------------
Il bonus, fino a un massimo di 5 punti, si ottiene sommando i punti delle
seguenti componenti (1 punto ciascuna):
Task complesso (1 punto)
Il sistema affronta un task complesso (es. object detection,
segmentazione, OCR, riconoscimento del parlato, separazione di sorgenti
audio, object tracking, video captioning, image-text retrieval). I task
semplici di gestione dei file (es. conversione di formato, rinomina,
ridimensionamento, estrazione di metadati EXIF) non danno punti per
questa componente.
Dati reali (1 punto)
Il sistema è applicato a una collezione reale di dati multimediali (es.
da Hugging Face, Kaggle, Wikimedia Commons, Freesound) di dimensione
significativa, anziché a pochi file di esempio.
Multimodalità (1 punto)
Il sistema tratta e mette in relazione più tipi di media (es. immagini e
testo, audio e video, video e sottotitoli).
Valutazione quantitativa (1 punto)
I risultati del sistema sono valutati con almeno una metrica quantitativa
appropriata al task (es. PSNR, SSIM, accuracy, F1-score, WER,
precision@k, rapporto di compressione).
Tecniche del corso (1 punto)
Le tecniche viste a lezione (es. spazi colore, campionamento e
quantizzazione, codifiche e compressione, stima del movimento,
rappresentazione dei metadati) sono applicate in modo appropriato e
motivato rispetto al sistema.
Ogni punto viene assegnato solo se la componente corrispondente funziona
correttamente ed è spiegata in modo adeguato durante la discussione orale
(si veda la sezione CRITERI DI VALUTAZIONE).
DATI MULTIMEDIALI
-----------------------------------
Per reperire i dati su cui lavorare si possono utilizzare, ad esempio, le
seguenti sorgenti pubbliche:

  • Hugging Face Datasets: https://huggingface.co/datasets
    Migliaia di dataset per computer vision, audio, NLP e altri domini.
  • Kaggle: https://www.kaggle.com/datasets
    Ampio catalogo di dataset pubblici, inclusi dataset di immagini, audio
    e video.
  • Wikimedia Commons: https://commons.wikimedia.org
    Immagini, audio e video con licenze libere.
  • Freesound: https://freesound.org
    Collezione di suoni ed effetti audio con licenze Creative Commons.
    È possibile utilizzare anche altre sorgenti o collezioni personali, nel
    rispetto delle relative licenze d'uso e della normativa sulla protezione
    dei dati personali.
    CONSEGNA
    -----------------------------------
    Scadenza
    Il progetto deve essere consegnato almeno 2 settimane prima della data
    scelta per la prova intermedia, e discusso prima di essa.
    Modalità di consegna
    La consegna avviene via email a [email protected], allegando:
  • il PDF del report;
  • il link al repository del progetto (in alternativa, un archivio
    compresso);
  • la data in cui si intende sostenere la prova intermedia.
    Il docente proporrà successivamente una data per la discussione orale.
    Materiale da consegnare (progetti di implementazione)
  • Codice sorgente del sistema, organizzato in modo chiaro e modulare
  • README con le istruzioni per installare le dipendenze ed eseguire il
    software, con eventuali esempi di utilizzo
  • File delle dipendenze (es. requirements.txt o environment.yml)
  • Seed casuali fissati nel codice, dove applicabile
  • Report (1-2 pagine, PDF) con scelte progettuali, tecniche del corso
    applicate, dati utilizzati, componenti del bonus realizzate e risultati
    ottenuti
    Materiale da consegnare (approfondimento scientifico)
  • Rassegna critica in PDF, con lunghezza e struttura concordate con il
    docente
    DISCUSSIONE ORALE ONLINE
    -----------------------------------
    Lo studente sarà convocato per una breve discussione orale online.
    Per i progetti di implementazione, le domande riguarderanno la comprensione
    del codice consegnato, ad esempio: "Cosa fa questa istruzione?", "Cosa
    succede se modifico questa istruzione in questo modo?", "Come aggiungerei
    questa funzionalità?"
    Per gli approfondimenti scientifici, le domande riguarderanno i lavori
    analizzati e le considerazioni critiche presentate nella rassegna.
    CRITERI DI VALUTAZIONE
    -----------------------------------
    Progetti di implementazione
    1. Correttezza e funzionamento
    Il sistema deve essere eseguibile e produrre risultati coerenti con il
    caso d'uso scelto. Il codice non deve contenere errori bloccanti.
    2. Qualità e pertinenza rispetto agli argomenti del corso
    Le tecniche viste a lezione devono essere usate in modo appropriato e
    motivato, non inserite artificialmente. Si valuta se lo studente ha
    compreso perché una certa tecnica è utile nel contesto del proprio
    sistema.
    3. Qualità del report
    Chiarezza, completezza e capacità di sintesi. Il report deve descrivere
    scelte progettuali, tecniche applicate, dati utilizzati e risultati.
    4. Qualità del codice
    Leggibilità, organizzazione modulare, presenza di commenti, chiarezza
    del README e riproducibilità dell'esecuzione.
    5. Complessità del progetto
    Determina il bonus massimo ottenibile (si veda la sezione CALCOLO DEL
    BONUS).
    6. Discussione orale
    Capacità di spiegare e motivare le scelte fatte, rispondere a domande
    sul codice e ragionare su possibili modifiche o estensioni del sistema.
    Approfondimenti scientifici
    Si valutano la pertinenza e la completezza della letteratura considerata,
    la capacità di analisi critica, la chiarezza espositiva e la discussione
    orale.
    USO DI STRUMENTI BASATI SU LLM
    -----------------------------------
    L'uso di strumenti come GitHub Copilot, ChatGPT o Claude è consentito, a
    condizione che avvenga in modo etico e responsabile.
  • Lo studente è pienamente responsabile di tutto il materiale consegnato.
  • Il codice e i testi generati automaticamente devono essere compresi,
    verificati e integrati consapevolmente.
  • L'uso di LLM non deve essere un modo per aggirare l'apprendimento.
  • Durante la discussione orale il docente verificherà la comprensione
    effettiva del materiale consegnato. Non saper rispondere è considerato un
    segnale di disonestà accademica.
  • Nel report va dichiarato se e come sono stati utilizzati strumenti LLM.
    TASK SUGGERITI (LISTA NON ESAUSTIVA)
    -----------------------------------
    Rappresentazione e interrogazione di dati multimediali
  • Rappresentazione di dati multimediali e relativi metadati in basi di
    conoscenza a grafo
  • Implementazione di funzioni per l'interrogazione di dati multimediali
    (es. similarità di immagini, video)
  • Costruzione di un knowledge graph a partire da metadati di file
    multimediali (es. una collezione di foto o brani musicali)
  • Motore di ricerca multimediale basato su similarità (es. "trova immagini
    simili a questa")
  • Indicizzazione e interrogazione di una collezione video tramite
    trascrizione automatica
    Gestione e organizzazione di file multimediali
  • Deduplicazione di immagini (rimozione di duplicati o quasi-duplicati)
  • Organizzazione automatica di foto in cartelle per data, luogo o soggetto
  • Rinomina batch di file multimediali basata su metadati (es. data di
    scatto)
  • Conversione batch di immagini tra formati (es. PNG a JPEG, HEIC a JPG)
  • Ridimensionamento e compressione batch di immagini
  • Estrazione di metadati EXIF da foto e salvataggio in un file strutturato
    (es. CSV)
    Elaborazione di immagini
  • Classificazione di immagini (es. riconoscimento di oggetti, scene, cifre)
  • Object detection (rilevamento e localizzazione di oggetti)
  • Segmentazione semantica o per istanze
  • Riconoscimento facciale o di espressioni
  • Super-resolution e denoising di immagini
  • Generazione di immagini (es. con modelli generativi)
  • Stima della profondità da immagine singola (monocular depth estimation)
  • Rilevamento e riconoscimento di testo in immagini (OCR)
  • Colorizzazione automatica di immagini in scala di grigi
  • Rimozione dello sfondo da immagini (background removal)
  • Rilevamento di anomalie visive in immagini industriali (es. difetti su
    superfici)
  • Stima della posa umana (human pose estimation)
  • Correzione automatica di luminosità, contrasto e colore di foto
  • Rilevamento e ritaglio automatico di volti in una raccolta di foto
  • Creazione automatica di miniature (thumbnail) per una collezione di
    immagini
  • Filigrana (watermark) automatica su batch di immagini
  • Confronto visivo tra due immagini (diff visivo)
    Elaborazione video
  • Classificazione di azioni in video (action recognition)
  • Rilevamento di anomalie in sequenze video
  • Object tracking (tracciamento di oggetti nel tempo)
  • Video captioning (descrizione automatica di video)
  • Rilevamento e riconoscimento di eventi sportivi in video
  • Separazione foreground/background in sequenze video (video matting)
  • Sintesi video da descrizione testuale (text-to-video, anche tramite API)
  • Rilevamento di cambi di scena (scene detection)
  • Estrazione automatica di fotogrammi chiave da un video
  • Generazione automatica di sottotitoli per un video
  • Creazione di un video riassuntivo (highlight reel) da una sequenza più
    lunga
  • Rilevamento e ritaglio automatico di scene specifiche in un video
    Elaborazione audio
  • Riconoscimento automatico del parlato (ASR / speech-to-text)
  • Classificazione di suoni o eventi acustici
  • Rilevamento di parole chiave (keyword spotting)
  • Identificazione del parlante (speaker identification)
  • Classificazione di generi musicali
  • Separazione di sorgenti audio (es. voce da musica di sottofondo)
  • Sintesi vocale (text-to-speech)
  • Rilevamento e classificazione di emozioni nel parlato
  • Trascrizione e allineamento forzato audio-testo
  • Trascrizione automatica di file audio o video (es. registrazioni di
    riunioni o lezioni)
  • Rimozione del rumore di fondo da registrazioni audio
  • Divisione automatica di un file audio lungo in segmenti per silenzi
  • Estrazione della traccia audio da file video
    Multimodale
  • Recupero di immagini tramite query testuale (image-text retrieval, es.
    con CLIP)
  • Generazione di didascalie per immagini (image captioning)
  • Visual question answering (rispondere a domande su immagini)
  • Allineamento audio-video (es. sincronizzazione labiale)
    Il docente si riserva di approvare task diversi da quelli elencati, purché
    coerenti con i contenuti del corso.

Codice insegnamento 0322509INGINF05IV

Visione computerizzata e sistemi cognitivi 1° anno · 9 CFU · ING-INF/05 · 0 file

L’insegnamento si propone di fornire agli studenti i fondamenti della visione e dei sistemi cognitivi: l’acquisizione, l’image processing ed analysis, la geometria 3D, la stima del movimento e la classificazione, e gli…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento si propone di fornire agli studenti i fondamenti della visione e dei sistemi cognitivi: l’acquisizione, l’image processing ed analysis, la geometria 3D, la stima del movimento e la classificazione, e gli strumenti per la progettazione di sistemi cognitivi basati sulla visione. Inoltre, saranno proposti progetti in diversi contesti: video-sorveglianza, guida autonoma, HMI, robotica, interpretazione del comportamento umano (viso, riconoscimento e tracciamento del corpo). L’insegnamento contribuisce anche al potenziamento delle capacità trasversali Autonomia di giudizio, Abilità comunicative e Capacità di apprendimento degli studenti.

Programma

Il corso coprirà questi macro-argomenti, ciascuno composto da 5 o più video-lezioni. In aggiunta, delle esercitazioni di laboratorio approfondiranno alcuni di questi argomenti in modalità interattiva sincrona. Di fianco a ciascun argomento si trova la stima approssimativa (essendo la prima edizione, ci potrebbero essere degli aggiustamenti nel peso relativo di ciascun argomento, man mano che le videolezioni vengono preparate) del numero di crediti formativi che l’argomento coprirà.
Introduzione all’acquisizione e alla rappresentazione delle immagini e filtraggio lineare e non-lineare. (1,5 CFU) Estrazione di caratteristiche visuali e di punti di interesse, descrittori e matching. Trasformazioni affini e omografiche e stima robusta dei parametri. (1.5 CFU) Elementi di Machine Learning applicati alla visione computazionale. Reti neurali convoluzionali. (1,5 CFU) Problemi di classificazione delle immagini, object detection e segmentation e principali soluzioni algoritmiche. (1,5 CFU) Applicazioni recenti di visione computazionale: architetture Transformer, Diffusion Models, Rendering neurale, Visual-language models e tecniche di apprendimento non supervisionato applicate alla computer vision. (1 CFU) Geometria epipolare, calibrazione e rettificazione. Visione stereoscopica. (1 CFU) Stima del moto di una telecamera e optical flow. (1 CFU)

Modalità d'esame

L'esame consta di un test intermedio a scelta multipla e un esame in presenza di verifica finale. È possible concordare con il docente la presentazione di un elaborato prima della verifica finale, che integra la prova intermedia. Nel caso in cui lo studente presenti un elaborato, il peso in termini di voto finale è dell'80% rispetto alla verifica intermedia a scelta multipla.

Codice insegnamento 0322509INGINF05V

Intelligenza artificiale nella Bioinformatica 2° anno · 8 CFU · ING-INF/05 · 0 file

L’insegnamento si propone di promuovere l’apprendimento della bioinformatica e la capacità di applicare modelli di intelligenza artificiale, con particolare attenzione ai Large Language Model e all’AI generativa, per…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento si propone di promuovere l’apprendimento della bioinformatica e la capacità di applicare modelli di intelligenza artificiale, con particolare attenzione ai Large Language Model e all’AI generativa, per l’analisi di dati genetici, proteomici e metabolomici. Il corso affronta l’elaborazione di immagini biomediche, l’integrazione di dati multi-omici e l’impiego di foundation model biologici (ESM-2, AlphaFold, DNABERT). Vengono presentate le librerie e i framework più utilizzati (PyTorch, Hugging Face Transformers, BioPython, scikit-learn, RDKit) per sviluppare approcci computazionali capaci di combinare diverse fonti di dati (genomici, trascrittomici, epigenomici) in analisi unificate. Il corso include esercitazioni dimostrative su Google Colab in cui vengono mostrate applicazioni pratiche di tecniche di machine learning e deep learning su dati biologici reali, analisi di dataset genomici e proteomici, progettazione di modelli per la predizione di interazioni molecolari e sviluppo di pipeline per l’analisi di big data biologici.
L’insegnamento contribuisce anche al potenziamento delle capacità trasversali Autonomia di giudizio, Abilità comunicative e Capacità di apprendimento degli studenti nell’ambito dell’intelligenza artificiale applicata alla bioinformatica.
Risultati di apprendimento attesi
Conoscenza e capacità di comprensione
Conoscenza e comprensione dei principi fondamentali della bioinformatica e delle principali tipologie di dati biologici (genomici, proteomici, metabolomici). Conoscenza delle architetture di deep learning (CNN, RNN, Transformer, GNN) e dei foundation model biologici (ESM-2, AlphaFold, DNABERT, ProtGPT2). Conoscenza del linguaggio Python e delle principali librerie per la bioinformatica computazionale (BioPython, scikit-learn, PyTorch, Hugging Face Transformers, RDKit). Comprensione dei Large Language Model (LLM) e dell’AI generativa applicati alle scienze della vita, inclusi modelli per la generazione di molecole e proteine. Comprensione delle problematiche relative all’integrazione di dati multi-omici e delle metodologie computazionali per combinare dati genomici, trascrittomici ed epigenomici in analisi unificate. Comprensione delle tecniche di elaborazione di immagini biomediche con AI e delle problematiche etiche legate all’uso dell’intelligenza artificiale in ambito biomedico.
Capacità di applicare conoscenza e comprensione
Capacità di applicare tecniche di machine learning e deep learning per l’analisi di dati genomici, proteomici e di immagini biomediche. Capacità di utilizzare foundation model biologici e LLM generalisti come strumenti per l’analisi, l’interpretazione e la sintesi di dati e risultati bioinformatici. Capacità di progettare e implementare pipeline bioinformatiche che integrino modelli di AI, dati multi-omici e strumenti di analisi computazionale.
Abilità di giudizio
Lo studente acquisirà la capacità di integrare le conoscenze e gestire la complessità delle applicazioni dell’AI alla bioinformatica, nonché di formulare giudizi sulla base di informazioni limitate o incomplete.
Lo studente sarà inoltre in grado di riflettere sulle responsabilità sociali ed etiche collegate all’applicazione dell’AI a dati biologici e contesti biomedici, inclusi i temi di bias, riproducibilità e privacy dei dati genomici.
Abilità di comunicare
Capacità di motivare le scelte metodologiche prendendo come riferimento studi scientifici nell’ambito della bioinformatica e dell’AI applicata alle scienze della vita. Capacità di descrivere e commentare le conoscenze acquisite, adeguando le forme comunicative sia ad interlocutori specialisti che non specialisti.
Capacità di apprendimento
Capacità di riportare casi di studio nell’ambito dell’AI applicata alla bioinformatica. Capacità di aggiornamento autonomo attraverso la consultazione di pubblicazioni scientifiche, documentazione di tool bioinformatici e risorse online quali banche dati biologiche e repository di modelli pre-addestrati.

Programma

Modulo 1: Cos’e’ la Bioinformatica e perche’ serve l’AI (1 CFU)
Lezione 1: Benvenuti: cosa faremo in questo corso Lezione 2: I dati biologici: DNA, proteine, cellule, immagini Lezione 3: L’Intelligenza Artificiale in 30 minuti Lezione 4: LLM e AI generativa: come cambiano la bioinformatica Lezione 5: Primi passi con Python e i dati biologici
Modulo 2: Basi di Machine Learning con dati biologici (1 CFU)
Lezione 6: Come il computer vede i dati biologici Lezione 7: Classificazione: insegnare al computer a distinguere Lezione 8: Altre tecniche di ML e il problema dello sbilanciamento Lezione 9 [Colab]: Classificare varianti genetiche con Random Forest Lezione 10 [Colab]: Usare un LLM per interpretare i risultati
Modulo 3: Deep Learning: reti neurali per la biologia (1 CFU)
Lezione 11: Dalle reti neurali semplici al deep learning Lezione 12: CNN e RNN: estrarre pattern da sequenze e immagini Lezione 13: Il Transformer: l’architettura che ha cambiato tutto Lezione 14 [Colab]: Usare ESM-2 per analizzare proteine Lezione 15 [Colab]: Predire interazioni tra proteine
Modulo 4: I Large Language Model nella bioinformatica (1 CFU)
Lezione 16: Foundation model: addestrare una volta, usare per tutto Lezione 17: AlphaFold: la rivoluzione nella predizione delle strutture Lezione 18: Usare LLM generalisti per la bioinformatica Lezione 19 [Colab]: Un LLM che interroga la letteratura biomedica Lezione 20 [Colab]: AlphaFold DB e analisi strutturale con LLM
Modulo 5: AI Generativa: creare molecole e proteine (1 CFU)
Lezione 21: Modelli generativi: l’AI che crea Lezione 22: Scoprire nuovi farmaci con l’AI generativa Lezione 23: Progettare proteine che non esistono in natura Lezione 24 [Colab]: Generare molecole e valutarle Lezione 25 [Colab]: Generare nuove proteine con ProtGPT2
Modulo 6: AI e immagini biomediche (1 CFU)
Lezione 26: L’imaging biomedico: tipi di immagini e sfide Lezione 27: Come le reti neurali analizzano le immagini Lezione 28: AI generativa per l’imaging biomedico Lezione 29 [Colab]: Classificare immagini istologiche con deep learning Lezione 30 [Colab]: Interpretare le predizioni con un LLM multi-modale
Modulo 7: Integrare dati biologici diversi - multi-omica (1 CFU)
Lezione 31: Perche’ un solo tipo di dato non basta Lezione 32: Metodi per combinare dati multi-omici Lezione 33: LLM e foundation model per dati multi-omici Lezione 34: Caso studio: sottotipi tumorali da dati multi-omici Lezione 35 [Colab]: Integrazione multi-omica su dati TCGA
Modulo 8: Pipeline, etica e futuro dell’AI in bioinformatica (1 CFU)
Lezione 36: Come si costruisce una pipeline bioinformatica Lezione 37: LLM come orchestratori: agenti AI per la bioinformatica Lezione 38: Etica, bias e regolamentazione dell’AI in bioinformatica Lezione 39: Il futuro: dove sta andando l’AI in bioinformatica Lezione 40 [Colab]: Una pipeline completa dall’inizio alla fine

Modalità d'esame

Modalità di accertamento dei risultati di apprendimento acquisiti dallo studente
Per valutare le capacità acquisite nel governare le nozioni apprese e nel creare connessioni tra i diversi argomenti del corso, lo studente sarà sottoposto a una prova scritta e/o orale da svolgere in presenza o a distanza e alla valutazione di un progetto pratico da consegnare prima dell’esame. Attraverso il colloquio oppure la prova scritta sarà valutata la conoscenza degli elementi di carattere teorico relativi all’applicazione dell’AI alla bioinformatica, mentre la valutazione del progetto valuterà la capacità di applicazione pratica delle nozioni acquisite su dati biologici reali.
Modalità di esame
Al termine del corso è previsto lo svolgimento di un esame di profitto composto da una parte progettuale e da una prova teorica.
La valutazione della prova teorica andrà a fare media aritmetica con la valutazione del progetto pratico richiesto. Lo svolgimento del progetto è obbligatorio e il conseguimento di una votazione sufficiente (18/30) costituisce prerequisito per l’accesso alla prova teorica.
Il progetto pratico è volto a dimostrare la capacità da parte dello studente di applicare tecniche di AI a un problema bioinformatico, utilizzando dati biologici reali e almeno un modello di machine learning, deep learning o LLM.
Lo studente dovrà sostenere una prova teorica volta a dimostrare la conoscenza degli argomenti trattati durante le lezioni ed in particolare dovrà dimostrare di aver acquisito le conoscenze teoriche relative all’applicazione dell’AI alla bioinformatica, ai foundation model biologici, all’analisi di dati omici e alle problematiche etiche connesse.
Sarà possibile svolgere l’esame teorico in due modalità: nelle sedi decentrate mediante lo svolgimento su supporto informatico (tablet appositamente dedicati) di un quiz a risposta multipla che prevede n°30 domande a risposta multipla più una 31esima domanda che verrà conteggiata solo in caso di risposte corrette a tutte le domande precedenti e che servirà per il conseguimento della lode;
In presenza nelle sede di Roma in questo caso l’esame potrà essere in forma esclusivamente orale o composto da un test scritto e da un breve colloquio orale.
Propedeuticità
Come da regolamento del corso di studi, non sono previste propedeuticità.
Prerequisiti
Fondamenti di programmazione in Python
Nozioni di base di statistica e probabilità
Concetti fondamentali di biologia molecolare (DNA, proteine, geni)

Codice insegnamento 0322508INGINF05I

Robotica intelligente 2° anno · 8 CFU · ING-INF/04 · 0 file

Il corso è articolato in 8 Unità Didattiche (UD), ciascuna del valore di 1 CFU, che affrontano in modo progressivo e integrato i principali temi della robotica intelligente, dalla modellazione e dal controllo dei sistemi…

Scheda dell'insegnamento

Programma

Il corso è articolato in 8 Unità Didattiche (UD), ciascuna del valore di 1 CFU, che affrontano in modo progressivo e integrato i principali temi della robotica intelligente, dalla modellazione e dal controllo dei sistemi robotici fino alla pianificazione del movimento, alla cooperazione tra robot e all’integrazione di tecniche di intelligenza artificiale.
UD1 (1 CFU) – Introduzione alla robotica intelligente e nozioni fondamentali
Introduzione alla robotica intelligente, alle principali tipologie di robot e ai sistemi autonomi. Fondamenti di teoria del controllo, sistemi a ciclo aperto e chiuso, regolatori PID e introduzione all’utilizzo di MATLAB per la modellazione e simulazione.
UD2 (1 CFU) – Cinematica dei manipolatori
Gradi di libertà, spazio delle configurazioni e spazio di lavoro. Rappresentazione dei corpi rigidi e delle trasformazioni. Cinematica diretta e inversa dei manipolatori e principali metodi di risoluzione.
UD3 (1 CFU) – Cinematica differenziale e cineto-statica
Jacobiano geometrico e analitico, relazione tra velocità articolari e velocità dell’end effector, singolarità e ridondanza. Inversione cinematica e pseudo-inversa. Fondamenti di cineto-statica e manipolabilità.
UD4 (1 CFU) – Dinamica e controllo dei manipolatori
Modellazione dinamica dei manipolatori mediante formulazione di Eulero-Lagrange, dinamica diretta e inversa. Controllo del movimento nello spazio dei giunti e nello spazio operativo. Fondamenti di visione artificiale e controllo visivo dei manipolatori.
UD5 (1 CFU) – Robotica mobile
Modelli cinematici e dinamici dei robot mobili, vincoli olonomici e non olonomici. Pianificazione e controllo delle traiettorie. Tecniche di localizzazione, odometria e filtro di Kalman esteso. Introduzione ai manipolatori mobili.
UD6 (1 CFU) – Pianificazione delle traiettorie
Pianificazione di traiettorie punto-a-punto e multi-point. Interpolazione, leggi temporali e scalatura temporale. Pianificazione nello spazio operativo e generazione di traiettorie di posizione e orientamento.
UD7 (1 CFU) – Pianificazione del movimento
Formulazione del problema di pianificazione del movimento e rappresentazione nello spazio delle configurazioni. Metodi deterministici e probabilistici, con particolare riferimento a PRM e RRT. Introduzione ai campi di potenziali artificiali.
UD8 (1 CFU) – Robotica avanzata e intelligenza artificiale
Robotica cooperativa e controllo di manipolatori cooperativi. Architetture cognitive per robot autonomi, approcci reattivi, deliberativi e ibridi. Introduzione al deep learning applicato alla percezione, al controllo e alla decisione. Prospettive future della robotica intelligente, interazione uomo-robot, sicurezza ed etica.
Testi consigliati
Il docente consiglia l’integrazione del materiale fornito (videolezioni, dispense e slides) con i seguenti testi, a cui il docente può fare riferimento durante le lezioni:
Åström, K. J., & Murray, R. (2021). Feedback systems: an introduction for scientists and engineers. Princeton university press.
Panzieri, S., Foglietta, C., Bonagura, V., Cavone, G., (2024). Fondamenti di automatica, Efesto Press
Siciliano, B., Villani, L., Oriolo, G., & De Luca, A. (2025) Foundations of robotics. Springer.
Siciliano, B., Sciavicco, L., Villani, L., & Oriolo, G. (2008). Robotica–Modellistica, pianificazione e controllo. McGraw-Hill libri Italia.
Correll, N., Hayes, B., Heckman, C., & Roncone, A. (2022). Introduction to Autonomous Robots: Mechanisms, Sensors, Actuators, and Algorithms. MIT Press.
Lynch, K. M., & Park, F. C. (2017). Modern Robotics. Cambridge University Press.
Thrun, S., Burgard, W., & Fox, D. (2005). Probabilistic robotics. MA: MIT Press.

Modalità d'esame

Modalità di accertamento dei risultati di apprendimento acquisiti dallo studente
La valutazione complessiva dello studente si basa sull’esito del questionario, che consente di accertare le conoscenze e la capacità di comprensione teorica, e sui due elaborati progettuali obbligatori, ciascuno con un valore massimo di 3 punti, per un totale di 6 punti, che permettono di verificare la capacità di applicare conoscenze e metodologie in contesti pratici e simulati. La combinazione delle due componenti consente di valutare non solo l’acquisizione di contenuti, ma anche l’autonomia di giudizio, le abilità comunicative e la capacità di apprendimento critico, con un punteggio massimo complessivo pari a 31 punti (30 e lode).
Modalità di esame
L’esame prevede una prova scritta costituita da un questionario a risposta chiusa e la presentazione di due elaborati progettuali. Il questionario è finalizzato a verificare la conoscenza teorica dei contenuti trattati durante il corso, mentre gli elaborati riguardano lo sviluppo e la discussione di soluzioni applicative su temi di robotica intelligente, svolti individualmente (fino ad un massimo di 6 punti totali).
Propedeuticità
Non sono previste propedeuticità obbligatorie.
Prerequisiti
È fortemente consigliata la conoscenza di base della matematica applicata (algebra lineare, geometria analitica e calcolo differenziale), della fisica classica, nonché dei fondamenti di informatica e programmazione.
Risultano utili anche competenze preliminari di robotica di base, sistemi dinamici e controlli automatici, che agevolano la comprensione delle metodologie avanzate affrontate durante il corso.

Codice insegnamento 0322508INGINF04

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.