Corso di laurea

Artificial Intelligence Systems

Università degli Studi di Trento · 43 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

Artificial and biological neural systems 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

This Master's course in Artificial Intelligence will explore core topics in Cognitive Science, Cognitive Psychology, NeuroAI, Machine Learning, and their interrelationships. Students will study formal accounts of how…

Scheda dell'insegnamento

Obiettivi formativi

This Master's course in Artificial Intelligence will explore core topics in Cognitive Science, Cognitive Psychology, NeuroAI, Machine Learning, and their interrelationships. Students will study formal accounts of how humans represent concepts and perform memory, language and attention functions. The course will also discuss computational modeling of these functions. By the end of the course, students will have a clear understanding of how human intelligence enables sophisticated behaviors and how this knowledge informs the development of AI models. They will be also be able to understand computational models that can integrate human and AI representations into common representational spaces, and how this can improve the explainabilty of AI models and human behavior.

Programma

This Master's course in Artificial Intelligence will explore core topics in Cognitive Science, Cognitive Psychology, and AI, and their interrelationships. Students will study formal accounts of how humans represent concepts and perform memory, language and attention functions. The course will also discuss computational modeling of these functions. By the end of the course, students will have a clear understanding of how human intelligence enables sophisticated behaviors and how this knowledge informs the development of AI models. The course modules are: Overview of brain structure, function, and related research methodsOverview of ML approaches to Cog NeuroPsychology of Concepts and CategoriesModeling ConceptsModeling Human Representational GeometryJoint embedding of AI and human knowledgeHuman Memory and Learning, Language, and AttentionTopographic DNNs as Models of Perceptual Representation

The course is based on a combination of frontal lectures, independent reading, and group assignments: Frontal lectures introduce key concepts and provide an overview of foundational readings.Independent reading of primary literature (typically one paper per week) improves students' understanding and engagement with the material.Short group assignments will help students in analyzing and applying course content.

Modalità d'esame

Student evaluation is based on a written exam or an alternative seminar paper, with the following options: Final written exam: Administered at the end of the course, it primarily consists of open-ended questions, with a few multiple-choice questions. Sample questions are available on the course Moodle site.Seminar paper (alternative to the exam): Students may choose to submit a seminar paper instead of taking the exam. This can take one of two forms: A critical review of relevant literature. A coding project that applies course concepts. Detailed guidelines for the seminar paper are provided in a separate document on the course Moodle site.

Testi di riferimento

See detailed Syllabus on Moodle website

Codice insegnamento 50868_650960_94667

Automated Reasoning 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

NOTA IMPORTANTE: Il corso "Automated reasoning and Formal Verification" è diviso in due moduli consecutivi: Modulo I: "Automated Reasoning" [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] Modulo II: "Formal…

Scheda dell'insegnamento

Obiettivi formativi

NOTA IMPORTANTE: Il corso "Automated reasoning and Formal Verification" è diviso in due moduli consecutivi: Modulo I: "Automated Reasoning" [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] Modulo II: "Formal Verification" [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] che sono rispettivamente mutuati come singoli corsi * Automated Reasoning [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] * Formal Verification [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] dal c.d.l. in Artificial Intelligence Systems. Il primo modulo/corso costituisce prerequisito per il secondo. All'interno di entrambi i moduli/corsi è prevista una parte di laboratorio, per complessivi 3 CFU (1.5 CFU Automated Reasoning + 1.5 CFU Formal Verification) Il primo modulo/corso "Automated Reasoning" comincierà quindi all'inizio del semestre e terminerà a metà semestre, mentre il secondo modulo/corso "Formal Verification" comincierà a metà semestre e terminerà a fine semestre. Modulo/corso "Automated Reasoning" [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] Le tecniche di ragionamento (logico) automatico sono ampiamente utilizzate in svariati campi, principalmente in Intelligenza Artificiale --come "motori" di svariati sistemi di ragionamento, inferenza e pianificazione automatica-- e nel campo della specifica e verifica formale si sistemi complessi --come "motori" sopra i quali sono costruiti i principali sistemi di verifica automatica. Il Modulo/corso "Automated Reasoning" presenta un'introduzione alle principali metodologie e agli strumenti per il ragionamento (logico) automatico. Gli studenti sperimenteranno in laboratorio l'uso di tool di automated reasoning, in particolare ad esempio, SAT o SMT solvers. Al termine del modulo/corso, lo studente: - conoscera` le principali tecniche di automated reasoning - sara` in grado di modellare semplici problemi e risolverli tramite automated reasonin tools, quali ad esempio SAT e SMT solvers. Modulo/corso "Formal Verification" [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] I metodi di specifica e verifica formali sono progressivamente usati nello sviluppo di sistemi SW e HW industriali come potenti strumenti per la specifica, la verifica e la ricerca di errori. Le metodologie principali e di maggior successo cadono nella famiglia del "Formal Verification", che utilizzano tecniche di automated reasoning come motori. Il Modulo/corso "Formal Verification" presenta un'introduzione alle principali metodologie e agli strumenti per la specifica e soprattutto la verifica formale di sistemi SW e HW. Il corso si concentrera' sulle tecniche di verifica formale, ed in particolare sulla tecnica "Formal Verification". Gli studenti sperimenteranno in laboratorio l'uso di tecniche di model checking basate sui model checker NuXmv. Al termine del modulo/corso, lo studente: - conoscera` le principali tecniche di specifica e verifica formale, in particolare del Formal Verification - sara` in grado di formalizzare semplici sistemi SW o HW e verificarne proprieta`, tramite il model checker NuXmv.

Programma

Per il Modulo/corso "Automated Reasoning" gli argomenti principali saranno (non necessariamente in ordine): Teoria: * Ragionamento Booleano E Soddisfacibilità Proposizionale (SAT) * Ordered Binary Decision Diagrams * Tecniche moderne di SAT Solving (CDCL) * Funzionalità Estese per SAT * Satisfacibilità Modulo Teorie (SMT) * Funzionalità Estese per SMT * Logiche temporali: LTL, CTL e CTL* * Modelli di Kripke e Model Checking (MC): Generalità * Ragionamento e Model Checking in logica temporale LTL Laboratorio: * Modellazione e risoluzione di problemi tramite SAT * Modellazione e risoluzione di problemi tramite SMT Per il Modulo/corso "Formal Verification" gli argomenti principali saranno (non necessariamente in ordine): Teoria: * Specifica formale e verifica formale * Rappresentazione Formale di Sistemi * CTL Model Checking * Symbolic MC vs. Explicit-State MC * Fair CTL MC e LTL MC * Astrazione in MC * MC per sistemi real-time e ibridi Laboratorio: * Modellazione e verifica di sistemi e proprietà con il model checker NuXmv NOTA: Dipendendo da varie circostanze, gli argomenti svolti possono subire variazioni.

Per entrambi i Moduli/corsi "Automated Reasoning" e "Formal Verification": Teoria: Le lezioni saranno supportate da slide proiettate via computer, ed integrate da spiegazioni alla lavagna. Agli studenti verrà richiesta padronanza dei concetti teorici, logici ed algoritmici presentati nel corso, e la capacità di rispovere a mano semplici problemi. Laboratorio: Le esercitazioni saranno supportate da slide proiettate via computer, ed integrate da spiegazioni alla lavagna, ed avverranno in aula computer. Agli studenti verrà richiesto di saper modellare sistemi e proprietà nei linguaggi dimacs (SAT), SMT-LIB (SMT), NuXMV (MC), e saperne verificare la correttezza tramite rispettivamente un SAT solver, l'SMT solver MathSAT e il model checker NuXmv.

Modalità d'esame

Per chi sosterrà l'esame completo di "Automated Reasoning and Formal verification" (studenti c.d.s. "computer science" o studenti c.d.s "Artificial Intelligence Systems" che intendono sostenere entrambi i corsi in un unico esame) l'esame consistera' in tre prove: 1) un'esercitazione pratica al calcolatore in laboratorio, diretta ad indagare la capacita` dello studente di modellare e risolvere semplici problemi tramite un SAT/SMT solver e formalizzare semplici sistemi SW o HW e verificarne proprieta` tramite il model checkers NuXmv. 2) un test scritto, con un misto di domande a risposta multipla e brevi domande aperte, allo scopo di valutare la conoscenza delle principali tecniche del loro utilizzo. 3) una prova orale sulle tematiche del corso, allo scopo di valutare in dettaglio la conoscenza e padronanza delle tecniche di automated reasoning e specifica e verifica formale, nonche' delle loro motivazioni. Sara` valutata anche la capacita` di esprimere i concetti in modo logico-formale. Le tre parti sono indipendenti, e possono essere superate in appelli diversi, con il vincolo che la prova 3) non puo' essere svolta finche' le prove 1) e 2) non siano entrambe superate. E' necessario conseguire una votazione sufficiente (>= 18/30) in tutte e tre le prove. La votazione finale risultera' da una media pesata delle tre prove, con i seguenti pesi: 1) 20% 2) 30% 3) 50% Per chi vuol sostenere uno o entrambi i corsi singolarmente, per ciascun corso l'esame consistera' in due prove: 1) Un'esercitazione pratica al calcolatore in laboratorio, diretta ad indagare la capacita` dello studente di modellare e risolvere semplici problemi tramite un SAT/SMT solver [corso "Automated Reasoning"] e formalizzare semplici sistemi SW o HW e verificarne proprieta` tramite il model checkers NuXmv [corso "Formal Verification"]. 2) Un test scritto, con un misto di domande a risposta multipla e brevi domande aperte, allo scopo di valutare la conoscenza delle principali tecniche del loro utilizzo. Le due parti sono indipendenti, e possono essere superate in appelli diversi. E' necessario conseguire una votazione sufficiente (>= 18/30) in entrambe le prove. La votazione finale risultera' da una media pesata delle due prove, con i seguenti pesi: 1) 40% 2) 60% Non sono previste prove in itinere. Tutte le prove d'esame si terranno esclusivamente IN PRESENZA, non sono previsti prove d'esame in forma remota. NOTA: Dipendendo da varie circostanze, le modalità di esame possono subire variazioni, che eventualmente verranno comunicate agli studenti per tempo.

Testi di riferimento

1) appunti personali dello studente dalle lezioni 2) slides 3) manuali NuXmv e SAT/SMT solvers 4) per il modulo/corso "Automated Reasoning", verranno forniti link ad articoli e tutorials online per il modulo/corso "Formal Verification", uno dei seguenti libri: * Clarke, Grunberg, Long, "Model checking", MIT Press * Baier and Katoen "Principles of Model Checking", MIT Press -------------------------------------------------------------------- LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Clarke, E. M. (2018). Model checking (2nd ed.). MIT Press. Baier, C., & Katoen, J.-P. (2008). Principles of model checking. MIT press.

Codice insegnamento 50868_650939_94669

Business Development Laboratory 1° anno · 2° semestre · 6 CFU · ECON-07/A · 0 file

The course introduces the topic of business design, a methodology for designing truly innovative products and services: desired by customers, economically sustainable, through an iterative and incremental methodology…

Scheda dell'insegnamento

Obiettivi formativi

The course introduces the topic of business design, a methodology for designing truly innovative products and services: desired by customers, economically sustainable, through an iterative and incremental methodology that allows you to test the main assumptions underlying the business model before launching on the market your product or service. The course combines traditional elements of market analysis and business strategy with contents and methods taken from the disciplines of design thinking and human-centered design, in order to help the rapid prototyping of value propositions for the customer, revenue and capture of value and methods of delivering value (partnerships, sales channels) to the end customer. Whether you want to learn how to work on new projects within an existing business or organization, or you want to become an entrepreneur ready to start a startup, this course will help you reduce the risks of launching the product on the market, helping to develop entrepreneurial ideas representing an innovative solution to a problem felt for a specific market segment. By the end of this course, students will learn: how to work in a multidisciplinary team with teammates coming from different cultures.how to develop an entrepreneurial approach to problems, to look for innovative solutions creatively and to define projects that suit customers needs effectively.the necessary vocabulary, knowledge, and skills to develop a solution for solving a market need and to define a viable business model for it.how to use design thinking, lean validation methodologies, business modelling techniques and other startup tools to define an innovative business project.how to apply basic tools of market analysis, financial modelling, cash flow analysis, project management to your innovative business idea.how to communicate effectively your project to teammates, stakeholders, mentors, and how to present it in front of an international jury.

Programma

Course Content: The course is structured in 5 modules: 1. CPS (Customer, Problem, Solution): Identify a customer need(the Problem). Generate a range of ideas (Solutions) which tap the need. Students with a Problem or a CPS in mind can pitch their individual seminal ideas. Students will vote the best ideas and teams will be formed around the selected ideas. 2. Validation: check if the prospect feels the need and, subsequently, identify which is the most effective solution. In case of invalidation, learn where to steer your attention re-working your CPS. 3. Business Modeling: checking your preparation on all the Osterwalder's 9 building blocks to execute your business idea. Students are exposed to different business model canvasses to practice extensively the BM method. 4. Startup Finance: hands-on training on cash flow basics and startup cash flow management for non Economists. Students are also exposed to principles of startup financing and enterprise evaluation. 5. Pitching and Slidifications: principles of public speaking applied to project presentation. Pitch clinics on students' projects to improve presentation skills. How to prepare a slide deck to improve effectiveness of your presentation. The secrets of hidden slides. The course is designed with weekly in-person sessions, each lasting three hours. They will be held at the School of Innovation, UniTrento, located at Via Tommaso Gar 16/2, Trento. A caldendar will be provided at the beginning of the course. Given the course's emphasis on a hands-on approach to project development, attendance at laboratory activities is mandatory. Should you need to miss a session, please discuss your absence with your instructor in advance. A typical session will include: short team presentations (2-3 teams) of work-in-progress activities (based on submitted deliverables);short lectures and/or tutorials by instructors or guests with Q&A in plenary sessions; workgroup in teams on your entrepreneurial project;mentorship sessions with mentors and instructors.

Teaching Methods: The course is based on the following methodology: - Blended MOOC: students will be asked to view a 10-15min video, che Concept Clip, before each I&E tutorial. Each clip focuses on one concept (e.g.: CPS, Business Modeling, ...). There will be no frontal lesson in class, but discussions about the concepts learnt in the videos to assess the degree of internalization. Immediate application of the concepts on students'projects will follow. - Hands-on (the students will be asked to continuously put in practice the concepts they learn, applying them to their business ideas under development) - Group and team work (each student will be working as part of a group in order to trigger a productive interaction. The group will work together after the individual idea presentation and selection). - Mentoring and coaching: students will be coached and mentored by the head coaches, startuppers, professional mentors of incubators/accelerators, investors. Their role will be to guide teamwork pointing out weaknesses and stimulating business idea refinement, sometimes guiding team decision process, but never to substitute students in their decision making. - Interaction with practitioners: Real world experts, investors, startuppers, game changers and practitioners will join us in CLab Trento to provide their experience and feedback to the working groups and to all students. - Use where possible of multimedia and other interactive learning tools. Students will be allowed to use multimedia tools for their presentations. They will also make an extensive use of flipcharts, post-its and other learning tools to support their group work. - Co-operation/ Competition: Students will be invited to balance a competitive spirit with a need to cooperate within and across the different groups in order to allow the participation of all and the sharing of knowledge for the successful development of their business ideas.

Modalità d'esame

Verification of the learning outcomes and the deliverables: The exam will consist of: - Live presentation in front of an international jury of the business ideas. Jury is formed of startuppers, managers, investors or individuals heavily involved in the dynamics of innovation - Slide deck of the business idea including hidden slides. - degree of involvement and participation to teamwork Students enrolled in the Business Development Laboratory course (9 credits) must submit a written 1-credit report that explores the technical and technological aspects underpinning the business idea developed by their team during the course.

Testi di riferimento

Main textbooks: Business Model Generation, Alexander Osterwalder and Yves Pigneur, John Wiley and Sons, Inc. 2010 (selected chapters) The Startup Owner's Manual: a Step-by-Step Guide for Building a Great Company, Steve Blank and Bob Dorf, K and S Ranch Inc, 2012 (selected chapters) The Lean Startup, Eric Ries, 2011 Random House (selected chapters) The Innovator’s Dilemma, Clayton M Christiensen, Harper Business Essentials, 2002 Other articles and / or book chapters might be used. The logic is to provide a guideline of readings but also of adapting readings to the evolution of the class. All reading material that will be selected will be posted in the website. When necessary, books or papers will be available for consultation at the copy center.

Codice insegnamento 50870_650938_92774

Computer vision 1° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file
Deep Learning Lab 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

Il corso sviluppa competenze pratiche per implementare, addestrare e valutare modelli di deep learning, completando dal punto di vista applicativo il corso di Deep Learning (I semestre). Gli studenti acquisiscono…

Scheda dell'insegnamento

Obiettivi formativi

Il corso sviluppa competenze pratiche per implementare, addestrare e valutare modelli di deep learning, completando dal punto di vista applicativo il corso di Deep Learning (I semestre). Gli studenti acquisiscono familiarità con PyTorch, pipeline di training e valutazione, gestione dei dataset, uso della GPU e buone pratiche sperimentali (versionamento del codice, experiment tracking, riproducibilità), oltre a strumenti di visualizzazione e interpretabilità per analizzare criticamente il comportamento dei modelli. Al termine del corso, lo studente sarà in grado di: trasformare un problema applicato in un modello funzionante; analizzare criticamente i risultati e diagnosticare i problemi di addestramento; comunicare i risultati sperimentali in modo rigoroso, anche avvalendosi consapevolmente degli strumenti di AI-assisted coding.

Programma

Il corso affianca da vicino il corso di Deep Learning (I semestre), traducendone i contenuti in esercitazioni pratiche in PyTorch, organizzate per moduli tematici. Le macro-aree coperte includono: fondamenti dell'addestramento di reti neurali, architetture per dati visivi e sequenziali, architetture basate su meccanismi di attenzione, modelli generativi, e tecniche di analisi e interpretabilità dei modelli.

48 ore di laboratorio, organizzate per moduli tematici. Ogni modulo combina, nella stessa lezione, una dimostrazione dal vivo da parte del docente e una sessione pratica in cui gli studenti, in piccoli gruppi, implementano, sperimentano e discutono la soluzione in aula. Gli esercizi comprendono sia l'addestramento di modelli sia attività interattive di analisi e visualizzazione (attivazioni, rappresentazioni, comportamento dei modelli). Il corso include inoltre un progetto di gruppo (2-4 studenti) su un problema applicato, con milestone distribuite lungo il semestre.

Modalità d'esame

La valutazione si articola in tre componenti: avanzamento del progetto attraverso milestone intermedie (40%); deliverable finale, comprensivo di codice e relazione tecnica (30%); prova orale individuale, incentrata sulla discussione critica delle scelte progettuali e dei risultati (30%).

Testi di riferimento

S. J. D. Prince, Understanding Deep Learning, MIT Press, 2023 — anche gratuito su https://udlbook.github.io/udlbook/ (condiviso con il corso di Deep Learning). Materiale aggiuntivo (notebook, articoli, documentazione) fornito durante il corso. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Prince, S. J. D. (2023). Understanding deep learning. The MIT Press.

Codice insegnamento 51357_658526_97588

Foundations of Artificial Intelligence 1° anno · 1° semestre · 12 CFU · IINF-05/A · 0 file

Intelligenza Artificiale (IA) è un termine generico, che copre un insieme di discipline molto esteso ed eterogeneo. Questo corso mira a fornire una panoramica delle fondamenta dell'IA e di alcune delle sue molte…

Scheda dell'insegnamento

Obiettivi formativi

Intelligenza Artificiale (IA) è un termine generico, che copre un insieme di discipline molto esteso ed eterogeneo. Questo corso mira a fornire una panoramica delle fondamenta dell'IA e di alcune delle sue molte discipline (ad es. risoluzione dei problemi, rappresentazione della conoscenza e ragionamento, pianificazione, conoscenza incerta, ...) in modo organico. Durante il corso verranno forniti esempi ed esercizi da svolgere. Il corso e' composto anche di una serie di sessioni in laboratorio, in cui agli studenti verrà richiesto di svolgere semplici esercizi di modellazione e risoluzione di semplici problemi tramite strumenti di IA, nonché di risolvere semplici esercizi a mano. Al termine del corso, lo studente: - acquisirà una visione panoramica delle varie discipline dell'Intelligenza Artificiale - conoscerà i principali problemi dell'IA, nonché le principali tecniche di modellazione e risoluzione di tali problemi - sarà in grado di svolgere semplici esercizi di modellazione e risoluzione di problemi tramite strumenti di IA.

Programma

Gli argomenti principali affrontati durante il corso saranno (non necessariamente in ordine): * Introduzione all'IA * Agenti Intelligenti (*) * Risoluzione di Problemi e Ricerca * Soddisfacibilità di Vincoli * Logica e Agenti Logici * Inferenza e ragionamento automatico (*) * Pianificazione Automatica (*) * Rappresentazione della Conoscenza * Conoscenza e Ragionamento in Incertezza (*) Queste tematiche potrebbero essere solo accennate in quanto saranno coperte da corsi ad hoc. NOTA: Dipendendo da varie circostanze, gli argomenti svolti possono subire variazioni.

Teoria: Le lezioni saranno supportate da slide proiettate via computer, ed integrate da spiegazioni alla lavagna. Agli studenti verrà richiesta padronanza dei concetti teorici ed algoritmici presentati nel corso, e la capacità di risolvere a mano semplici problemi. Laboratorio: Le esercitazioni saranno supportate da slide proiettate via computer, ed integrate da spiegazioni alla lavagna. Agli studenti verrà richiesto di svolgere semplici esercizi di modellazione e risoluzione di semplici problemi tramite strumenti di intelligenza artificiale, nonché di risolvere esercizi.

Modalità d'esame

L'esame consisterà in una prova scritta, con un misto di domande a risposta multipla, brevi domande aperte e risoluzione di esercizi, allo scopo di valutare la conoscenza dei principali concetti e tecniche del loro utilizzo. Il giudizio finale valuterà sia le conoscenze acquisite sia la capacità di svolgere piccoli esercizi. Possono essere previste prove in itinere. L'esame si terrà esclusivamente IN PRESENZA, non sono previsti esami in forma remota. NOTA: Dipendendo da varie circostanze, le modalità d'esame potrebbero subire variazioni, che in caso verranno comunicate per tempo.

Testi di riferimento

1) appunti dalle lezioni 2) slides (disponibile dal sito del corso): 3) il seguente libro di testo Artificial Intelligence: A Modern Approach (Fourth edition, 2020) by Stuart Russell and Peter Norvig (http://aima.cs.berkeley.edu/) 4) materiale pubblicamente disponibile dal sito del libro (http://aima.cs.berkeley.edu/) 5) eventuala altro materiale, che sarà reso disponibile online sul sito del corso LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Russell, S. J., Norvig, P., & Chang, M.-W. (2022). Artificial intelligence : a modern approach (4th ed., global ed.). Pearson education.

Codice insegnamento 51357_658520_97606

Introduction to Robotics 1° anno · 2° semestre · 6 CFU · IINF-04/A · 0 file

Il corso offre una panoramica sui temi più importanti della robotica moderna, evidenziando i problemi rilevanti da affrontare per permettere a un robot di operare correttamente nell’ambiente. In particolare, il corso…

Scheda dell'insegnamento

Obiettivi formativi

Il corso offre una panoramica sui temi più importanti della robotica moderna, evidenziando i problemi rilevanti da affrontare per permettere a un robot di operare correttamente nell’ambiente. In particolare, il corso affronta i seguenti temi: classificazione delle diverse categorie di robot, modellizzazione e simulazione dei robot (cinematica e dinamica diretta e inversa), sensori e attuatori per la percezione e l’attuazione. Utilizzando i modelli sviluppati nel corso, verranno presentate le metodologie più comuni per il controllo dei moto del robot e per l’interazione con l’ambiente. Queste tecniche verranno affrontate a livello teorico e in seguito implementate in simulazione (utilizzando il linguaggio Python) permettendo allo studente di acquisire capacità pratiche. Si porrà speciale attenzione alle non-idealità dei modelli e ai problemi nel controllo da essi derivanti. Al completamento del corso, lo studente sarà in grado di: - selezionare i sensori e gli attuatori più adatti per un data appricazione robotica - modellare la cinematica e la dinamica di un qualsiasi tipo di robot - capire i principi di funzionamento dei diversi algoritmi di controllo usati in robotica - scegliere l'approccio (o gli approcci) più appropriati per controllare un sistema dato un certo obbiettivo di controllo - implementare, regolare, e testare un algoritmo di controllo nel linguaggio Python.

Programma

Introduzione - informazioni generali, contatti, riferimenti. - Classificazione dei robot. Evoluzione dei robot industriali. Varie tipologie di robot. - Struttura meccanica di un robot, classificazione dei robot in base all’organizzazione dei giunti. Panoramica sulle unità funzionali. Sensori - proprietà dei sistemi di misura, caratteristiche dei sensori, tipi di errori di misura. Non-idealità nei sensori. - tipi di sensori propriocettivi. Sensori di posizione, sensori inerziali. - tipi di sensori esterocettivi. Sensori di forza. Sensori di visione. Telecamere passive, stereocamere, stereovisione. Modelli per le telecamere. Sensori attivi: LiDAR, sensori a luce strutturata. - segnali analogici/digitali. Campionamento, quantizzazione e ricostruzione (conversioni A/D e D/A). Problemi nell’implementazione digitale. Filtri passa-basso. Attuatori - attuatori per la robotica: pneumatici, idraulici, elettro-idraulici, motori elettrici, attuatori elastici in serie. - Motori sincroni e asincroni in corrente alternata. Motori con e senza spazzole in corrente continua. Modelli. Risposta a regime permanente. Controllo dei motori: tensione/corrente. - Tipi di trasmissioni. Modellazione di trasmissioni. Riduttori. Scelta ottima del rapporto di riduzione. Modellazione dell’elasticità nelle trasmissioni. - Non-idealità negli attuatori: modelli per attrito, gioco negli ingranaggi, zona morta. - Simulazione degli attuatori: spazio di stato di un motore in corrente continua, modello discreto equivalente, integrazione della dinamica, tempi di risposta. Elementi di controlli automatici - controllo in catena aperta, il concetto di retroazione, risposta transitoria e regime permanente, specifiche di controllo statiche e dinamiche, progetto di un controllore. - Controllo P, PI e PID. Cinematica - posizione e orientamento di un corpo rigido. Rappresentazioni dell’orientamento. - definizione della cinematica diretta e inversa. Spazi di giunto, di task e di attuazione. Coordinate generalizzate. Cinematica diretta dei manipolatori. Trasformazioni omogenee. Spazio di lavoro. - velocità lineare e angolare del link di un manipolatore. Lo Jacobiano geometrico e analitico. - definizione di cinematica inversa. Spazio di lavoro. Soluzioni in forma chiusa (analitica). - definizione di ridondanza. Manipolatori ridondanti. Ridondanza e spazio nullo. Definizione e tipi di singolarità. Cinematica differenziale inversa e singolarità. Metodo dei minimi quadrati. Cinematica inversa numerica. Confronto fra diversi algoritmi di cinematica inversa. Dinamica - statica vs. dinamica. Principio dei lavori virtuali. Dualità cineto-statica. Trasformazioni di velocità e forza. - modelli dinamici dei robot. Dinamica diretta e inversa. Algoritmo ricorsivo di Newton-Eulero. Controllo nello spazio dei giunti - panoramica dei problemi di controllo in robotica. Il concetto di stabilità. Controllo PD, PD + compensazione di gravità, PID. - controllo centralizzato e decentralizzato. Feedback linearization in robotica. Dinamica inversa. Controllo nello spazio dei task - controllo a cinematica inversa, dinamica inversa nello spazio Cartesiano. Controllo di manipolatori ridondanti - controllo dell’orientamento con diverse parametrizzazioni dell’orientamento. - controllo diretto di forza, controllo Cartesiano di impedenza. Basi di apprendimento per imitazione e Dynamic Movement Primitives.

Le lezioni teoriche faranno principalmente uso della lavagna. Le sessioni di laboratorio saranno svolte utilizzando il linguaggio di programmazione Python per simulare cinematica e dinamica di un robot, implementare e regolare gli algoritmi di controllo. La frequenza è fortemente raccomandata.

Modalità d'esame

La preparazione verrà valutata attraverso un esame orale con domande aperte, basate sui materiali forniti a lezione.

Testi di riferimento

Non è disponibile alcun libro di testo che comprenda tutti gli argomenti trattati. I materiali forniti dall’insegnante saranno il riferimento per lo studente. Altre utili risorse complementari (alcune delle quali disponibili online) sono: Algebra lineare: - Introduction to Linear Algebra – Gilbert Strang (book) and course: https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ Robotica: - Robotics Modelling, Planning and Control - Siciliano, B., Sciavicco, L., Villani, L., Oriolo, G. - Robotics 1, A. De Luca: http://www.diag.uniroma1.it/~deluca/rob1_en.php - Robotics 2, A. De Luca: http://www.diag.uniroma1.it/deluca/rob2_en.php LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Non è disponibile alcun libro di testo che comprenda tutti gli argomenti trattati. I materiali forniti dall’insegnante saranno il riferimento per lo studente. Altre utili risorse complementari (alcune delle quali disponibili online) sono Algebra lineare: Strang, G. (2023). Introduction to Linear Algebra . Course: MIT 18.06 Linear Algebra Robotica Siciliano, B., Sciavicco, L., Villani, L., & Oriolo, G. (n.d.).Robotics Modelling, Planning and Control . De Luca, A. Corso Robotics 1: http://www.diag.uniroma1.it/~deluca/rob1_en.php De Luca, A. Corso Robotics 2: http://www.diag.uniroma1.it/deluca/rob2_en.php

Codice insegnamento 50868_650941_94672

Law and Ethics in Artificial Intelligence 1° anno · 1° semestre · 6 CFU · GIUR-11/B · 0 file

Il Corso si pone l’obbiettivo di fornire agli studenti una conoscenza di base dei principi etici e giuridici in tema di AI. Analizzeremo i principi già esistenti, chiedendoci se possano essere adatti a regolare la AI o…

Scheda dell'insegnamento

Obiettivi formativi

Il Corso si pone l’obbiettivo di fornire agli studenti una conoscenza di base dei principi etici e giuridici in tema di AI. Analizzeremo i principi già esistenti, chiedendoci se possano essere adatti a regolare la AI o se invece sia necessario elaborarne di nuovi. Al termine del Corso, gli studenti avranno acquisito conoscenze e abilità di tipo giuridico e interdisciplinare che li potranno orientare nello svolgere in maniera human-centered l’attività professionale. In particolare, lo studente sarà essere in grado di: - Conoscere i principi etici e giuridici di riferimento per la AI; - Utilizzare in modo autonomo le competenze acquisite per analizzare e comprendere i dilemmi etici e i problemi giuridici legati all’uso della AI; - Conoscere le principali fonti giuridiche della AI in alcuni settori significativi, come i veicoli autonomi, la medicina o la giustizia - Essere consapevoli delle potenzialità e dei rischi di un impiego sempre più diffuso e autonomo della AI - Comprendere l’importanza del confronto tra saperi e del metodo interdisciplinare nello studio della AI - Partecipare in modo attivo e consapevole a gruppi di lavoro e discussioni aventi ad oggetto casi giurisprudenziali o iniziative normative a livello europeo.

Programma

1. Introduzione. Perchè un corso di etica e diritto della AI? 2. Presentazione e discussione degli elementi di base dell’etica 3. Possono i 4 principi dell’etica (non maleficenza, beneficenza, autonomia, giustizia) applicarsi alla AI (L. Floridi)? 4. Presentazione e discussione degli elementi di base del diritto 5. AI e principi costituzionali (diritto italiano, europeo e comparato) 6. Personalità giuridica della AI 7. AI e responsabilità giuridica (civile) 8. AI e diritti umani 9. Il regolamento europeo: AI act. A seconda degli interessi degli studenti il corso potrà focalizzare maggiormente su alcune delle menzionate tematiche, usando anche case studies specifici.

Il corso si pone l’obiettivo di arricchire le competenze e le conoscenze interdisciplinari degli studenti, attraverso una discussione costante e partecipata di questioni etiche e giuridiche delle questioni più rilevanti. A tal fine, il tradizionale metodo frontale verrà integrato da un approccio “learning by doing”, attraverso il quale gli studenti saranno chiamati ad affrontare in prima persona ed autonomamente questioni etiche e giuridiche reali, in dialogo con i docenti e gli altri studenti. Ciò consentirà una comprensione effettiva e concreta dei meccanismi giuridici esistenti nei vari ambiti analizzati e del ruolo svolto dalla dimensione etica. Gli studenti saranno chiamati a partecipare attivamente alle lezioni e a scrivere, in gruppo, un progetto di ricerca alla fine del corso su un tema specifico, concordato con i docenti.

Modalità d'esame

A seconda del numero di studenti frequentanti e delle aree di maggior interesse, un esame scritto potrà essere affiancato dalla presentazione e discussione del progetto scritto dagli studenti. Per gli studenti non frequentanti l'esame sarà scritto.

Testi di riferimento

Il materiale verrà fornito durante il corso sul supporto informatico Didatticaonline. Per gli studenti frequentanti sarà costituito dai casi etici e giuridici e da testi normativi, discussi in aula e dalla bibliografia indicata, oltre che dalle presentazioni utilizzate durante le lezioni. Agli studenti non frequentanti sarà fornito materiale specifico, che sarà pubblicato sul supporto informatico Didatticaonline. Il regolamento europeo (AI act) sarà oggetto di particolare attenzione.

Codice insegnamento 50868_650953_94666

Machine Learning 1° anno · 12 CFU · IINF-05/A · 0 file

Il corso mira a fornire i fondamenti dell'apprendimento automatico, presentando le principali tecniche di apprendimento supervisionato e non supervisionato, e gli approcci di deep learning. Sono previsti esempi…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a fornire i fondamenti dell'apprendimento automatico, presentando le principali tecniche di apprendimento supervisionato e non supervisionato, e gli approcci di deep learning. Sono previsti esempi applicativi e comprese esercitazioni di laboratorio. Al termine del corso, lo studente avrà acquisito le competenze utili nella progettazione di tecniche e strumenti per l’analisi di segnali e di dati.

Programma

MODULO 1 - Capitolo 1 - Introduction (signal, image, machine learning system, applications) - Capitolo 2 - Density Estimation (ML, Bayesian, k-NN, Parzen, EM algorithm) - Capitolo 3 - Feature Reduction (measures, SFS/SBS, PCA, LDA) - Capitolo 4 - Classification (Bayesian classification, minimum risk, discriminant function, decision trees, evaluation) - Capitolo 5 – Linear Discriminant Analysis (perceptron, least-square regression, SVM). - Capitolo 6 – Kernel Machines (kernel methods, kernels, kernels on structures) - Capitolo 7 – Learning Bayesian networks (parameter learning, structure learning) - Capitolo 9 - Reinforcement learning - Capitolo 10 – Unsupervised learning

I metodi didattici prevedono lezioni teoriche ed esercitazioni. Allo studente viene richiesta la partecipazione attiva alle lezioni e alle esercitazioni proposte dal docente, oltre all’approfondimento individuale dei temi trattati utilizzando il materiale fornito dal docente e la bibliografia consigliata. Nel complesso, il corso è organizzato nel modo seguente: - 70% di lezioni teoriche (vedi programma dettagliato nella sezione precedente) - 30% di esercitazioni/attività in laboratorio con vari strumenti quali HuginLite, scikit-learn, e PyTorch. Il corso si concluderà con una lezione da parte di un'ospite autorevole, proveniente o dall'industria o dal mondo accademico.

Modalità d'esame

Per quanto riguarda il Modulo 1, gli studenti saranno valutati con una prova orale alla quale verrà assegnata un massimo di 15 punti. Nella seconda parte del corso (Modulo 2), l'esame si concentrerà sui contenuti teorici del corso e sulla presentazione di un progetto. Il progetto verrà assegnato all'inizio del modulo e verrà effettuato dagli studenti in piccoli gruppi (2-3 persone). Gli studenti produrranno una breve relazione sul progetto (2 pagine). Il voto su 15 punti sarà calcolato in base al qualità del progetto (25%) e della prova orale (75%). Il voto complessivo del corso sarà dato dalla somma dei voti parziali dei Moduli 1 e 2 per un massimo di 30 punti.

Testi di riferimento

  • Materiale proiettato a lezione. • R. O. Duda, P. E. Hart, and D. G. Stork. Pattern Classification. 2nd Edition, New York: John Wiley & Sons Inc, 2001. • S. Theodoridis and K. Koutroumbas. Pattern Recognition. 1st edition, Academic Press, 1999. • V. N. Vapnik. Statistical Learning Theory. Wiley-Interscience, 1998. • D. Koller and N. Friedman, Probabilistic Graphical Models, The MIT Press, 2009 • J.Shawe-Taylor and N. Cristianini, Kernel Methods for Pattern Analysis, Cambridge University Press, 2004. • I. Goodfellow, Y. Bengio and A. Courville, Deep Learning, The MIT Press, 2016 (online version available here). • K. Murphy, Probabilistic Machine Learning: An Introduction, The MIT Press, 2021 (online version available here)

Codice insegnamento 50868_650944_94663

Markov Decision Processes and Reinforcement Learning 1° anno · 1° semestre · 6 CFU · MATH-06/A · 0 file

L’insegnamento introduce i fondamenti matematici e i principali algoritmi del reinforcement learning e dei processi decisionali di Markov. Sviluppa la capacità di formalizzare problemi decisionali sequenziali, analizzare…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento introduce i fondamenti matematici e i principali algoritmi del reinforcement learning e dei processi decisionali di Markov. Sviluppa la capacità di formalizzare problemi decisionali sequenziali, analizzare le ipotesi e il comportamento dei metodi di reinforcement learning, e implementare e valutare algoritmi selezionati. L’insegnamento contribuisce allo sviluppo delle competenze matematiche, computazionali e di ragionamento critico previste dal Corso di Studio in Matematica. Al termine dell’insegnamento, la o lo studente sarà in grado di: 1. formalizzare problemi decisionali sequenziali finiti come processi decisionali di Markov, identificando stati, azioni, ricompense, leggi di transizione, politiche e criteri di rendimento; 2. derivare, interpretare e applicare le equazioni di Bellman di aspettazione e di ottimalità in contesti finiti, scontati ed episodici; 3. analizzare metodi di programmazione dinamica, Monte Carlo, temporal difference e controllo model-free, incluse le rispettive ipotesi e la distinzione tra apprendimento on-policy e off-policy; 4. implementare, verificare e interpretare algoritmi tabulari di reinforcement learning in piccoli ambienti simulati, usando adeguate misure di prestazione e visualizzazioni; 5. spiegare e applicare, a livello introduttivo, l’approssimazione delle funzioni di valore, il Deep Q-learning, i metodi policy-gradient e actor–critic, e metodi selezionati di reinforcement learning model-based; 6. confrontare metodi di reinforcement learning e giustificare la scelta di un algoritmo in relazione a un problema decisionale, al modello o ai dati disponibili, agli spazi di stato e azione, ai vincoli computazionali e alle possibili criticità; 7. comunicare con chiarezza argomentazioni matematiche e risultati computazionali, anche mediante codice, grafici e una sintetica presentazione orale.

Programma

Fondamenti del reinforcement learning: interazione agente–ambiente, rendimento, politiche, funzioni valore, esplorazione e sfruttamento, e relazione tra osservabilità e proprietà di Markov.Processi decisionali di Markov finiti: formulazioni scontate ed episodiche, equazioni di Bellman di aspettazione e di ottimalità, politiche ottime, predizione e controllo.Programmazione dinamica e controllo ottimo: valutazione e miglioramento della politica, policy iteration, value iteration e pianificazione approssimata/asincrona.Predizione model-free: metodi Monte Carlo, temporal difference e multi-step; campionamento, bootstrapping e compromesso tra distorsione e varianza.Controllo model-free: generalised policy iteration, strategie di esplorazione, SARSA, Q-learning, Expected SARSA, Double Q-learning e introduzione all’importance sampling per l’apprendimento off-policy.Approssimazione di funzione e deep reinforcement learning: metodi semi-gradient, approssimazione lineare e costruzione di caratteristiche, deadly triad, approssimazione tramite reti neurali, Deep Q-Networks, experience replay, target networks ed estensioni selezionate di DQN.Metodi basati su politica: politiche stocastiche, REINFORCE, riduzione della varianza tramite baseline e metodi actor–critic.Reinforcement learning model-based e pianificazione: modelli appresi, Dyna-Q, rollouts, Monte Carlo Tree Search, errore di modello e incertezza.Applicazioni e limiti del reinforcement learning, inclusi scelta dell’algoritmo, valutazione, progettazione della ricompensa, riproducibilità e casi di studio selezionati.

L’insegnamento è erogato in modalità blended ed è normalmente organizzato, per 12 settimane, in una sessione in presenza di 2 ore il lunedì e in un modulo asincrono di 2 ore il mercoledì. Le sessioni in presenza combinano una breve attività di recupero con lezioni, derivazioni matematiche, discussioni di dimostrazioni, problem solving collaborativo, discussioni sulla progettazione degli algoritmi e revisione o debugging di codice basati sul lavoro asincrono precedente. Sono dedicate ai nodi concettuali e matematici principali dell’insegnamento, quali le equazioni di Bellman, il miglioramento della politica, il confronto tra Monte Carlo e temporal difference, l’apprendimento off-policy, l’approssimazione di funzione e i policy gradient. I moduli asincroni combinano letture specificate dai materiali del corso e brevi video, quiz a basso impatto valutativo e attività guidate in notebook Python. Ogni modulo ha due finalità: consolidare l’argomento affrontato nella precedente sessione in presenza mediante implementazione e interpretazione dei risultati, e preparare una parte circoscritta dell’argomento della sessione in presenza successiva mediante definizioni, pseudocodice, esempi o domande preparatorie. È richiesto di completare, o documentare un tentativo motivato di completamento, delle attività nei notebook e di riflettere brevemente sui risultati ottenuti. Quiz formativi, esercizi svolti e feedback sui notebook sostengono l’autovalutazione durante l’insegnamento. Non concorrono direttamente al voto finale, salvo diversa comunicazione all’inizio del corso.

Modalità d'esame

La valutazione finale consiste in un esame orale con presentazione di un progetto. Il progetto può consistere nell’implementazione e nella valutazione di un metodo di reinforcement learning, in uno studio comparativo su un problema decisionale di piccola scala assegnato o concordato, oppure nell’analisi di un articolo di ricerca individuato con il docente. Il progetto viene presentato oralmente. La valutazione riguarda la capacità di applicare i metodi trattati nel corso, interpretare criticamente i risultati computazionali, documentare il lavoro in modo chiaro e comunicarlo efficacemente. Se il progetto viene svolto in gruppo, il contributo individuale e la comprensione dei contenuti da parte di ciascuno vengono verificati durante l’esame orale. Durante e dopo la presentazione si terrà una discussione sui concetti matematici, sulle ipotesi, sugli algoritmi e su alcune delle derivazioni trattate nel corso, con particolare attenzione a quelli rilevanti per il progetto. Il voto finale tiene conto della correttezza e della profondità del ragionamento matematico, della capacità di collegare teoria e implementazione, dell’appropriatezza e della riproducibilità del lavoro computazionale, dell’interpretazione critica dei risultati e della chiarezza espositiva.

Testi di riferimento

Materiale obbligatorioRichard S. Sutton and Andrew G. Barto, Reinforcement Learning: An Introduction, 2nd ed., MIT Press, Cambridge, MA, 2018.Lecture slides, guided readings, exercises, and Python notebooks made available on Moodle.Testi consigliatiDimitri P. Bertsekas, Reinforcement Learning and Optimal Control, Athena Scientific, Belmont, MA, 2019.Dimitri P. Bertsekas, A Course in Reinforcement Learning, Athena Scientific, Belmont, MA, 2023.Martin L. Puterman, Markov Decision Processes: Discrete Stochastic Dynamic Programming, Wiley, 2014.

Codice insegnamento 51357_658511_96190

Natural Language Understanding 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

Natural Language Understanding is the fundamental component of artificial intelligence systems (AIS) that interacts directly with humans via conversational interfaces. In the first part of the class, the students will…

Scheda dell'insegnamento

Obiettivi formativi

Natural Language Understanding is the fundamental component of artificial intelligence systems (AIS) that interacts directly with humans via conversational interfaces. In the first part of the class, the students will gain basic knowledge of natural language structures, ranging from the lexicon to the phrase and sentence levels. The student will gain basic knowledge of the formal models for representing the lexicon, the relations amongst words, and their meaning representations. The symbolic representation of language will be complemented by a machine-learning approach, including neural models and large language models. Students will gain knowledge and experiment with machine learning models applied to natural language processing. In the course's final part, the students will gain hands-on experience with the use cases of Natural Language Understanding in AIS. Throughout the class, students will learn to use and evaluate machine learning approaches to natural language processing tasks using neural models and architectures, and generative AI.

Programma

The course will cover the following topics: Natural Language: from Spoken to Written Language Language Modeling Large Language Models: Architectures Large Language Models: Benchmarks and Evaluation Distributional Semantics and Word Vectors Part-Of-Speech Named Entities Constituency and Dependency Grammars Sequence Labeling for NLU Sequence Labeling for NLU with Neural Networks Lexical Semantics Parsing Affective States: Sentiment Analysis The lectures will be paired with lab sessions, during which students will gain knowledge and hands-on tutoring on the latest machine learning models, including deep learning and large language models.

Lectures are meant to provide the background and theoretical knowledge to design natural language understanding models. Lab sessions are meant to 1) setup the student with the computational environment and associated NLP open source SW tools. 2) deliver SW assignments that will consolidate the theoretical material learned during the lecture and 3) coaching sessions .

Modalità d'esame

There will be one project assignment that will be graded ( 80% of the final exam grade ) and Q&A during the oral exam on any of the topics covered in the class ( lectures and labs ) ( 20% of the final exam grade )

Testi di riferimento

Lecturer's hand-outs available on the course website and "Speech and Language Processing" (3rd ed. draft) Dan Jurafsky and James H. Martin

Codice insegnamento 50868_650965_94665

Signal, Image and Video 1° anno · 1° semestre · 6 CFU · IINF-03/A · 0 file

Il corso fornisce le competenze di base nell'ambito dell'elaborazione numerica dei segnali, con specifico riferimento alle immagini e alle sequenze video. Partendo dai concetti fondamentali riguardanti l’analisi e la…

Scheda dell'insegnamento

Obiettivi formativi

Il corso fornisce le competenze di base nell'ambito dell'elaborazione numerica dei segnali, con specifico riferimento alle immagini e alle sequenze video. Partendo dai concetti fondamentali riguardanti l’analisi e la manipolazione di segnali monodimensionali, analogici e digitali, nel tempo e in frequenza, si estende poi al caso multi-dimensionale nel dominio spaziale. Si introducono quindi le tecniche di uso più comune per il filtraggio di immagini e l’estrazione di primitive descrittive. I concetti vengono successivamente estesi al caso di immagini in movimento. Infine, si introduce il concetto di compressione dei segnali, focalizzando su alcune tecniche classiche di codifica e sugli standard che da queste sono derivati. L’impostazione è principalmente di tipo pratico, per cui, una volta introdotto il concetto teorico che sta alla base di una tecnica di elaborazione, la si traduce in termini algoritmici.

Programma

Fondamenti su segnali e sistemi 1D (analogico e digitale, tempo e frequenza) Estensione al caso 2D (analogico e digitale, spazio e frequenza) Introduzione alle immagini Caratterizzazione statistica dell'immagine e operatori basati sull'istogramma Filtri multi-dimensionali lineari e non lineari Estrazione di primitive descrittive (contorni, regioni, tessiture) Rappresentazione e caratterizzazione dei descrittori Introduzione alle sequenze video e operazioni base Analisi del moto Codifica di immagine e relativi standard Codifica video e relativi standard

Il corso prevede una parte teorica svolta in aula con il supporto di slide (fornite dal docente prima delle lezioni) e con esempi alla lavagna. Per ogni parte del corso è inoltre prevista una parte sperimentale di laboratorio in cui viene fornito il codice di vari metodi di elaborazione e lo studente è guidato nella sperimentazione pratica a calcolatore delle tecniche e nella loro valutazione. La parte di laboratorio è complessivamente pari a 1.5 crediti.

Modalità d'esame

L'esame prevede due modalità: esame orale o sviluppo di un progetto di laboratorio + discussione

Testi di riferimento

Slide del corso Anil K. Jain, "Fundamentals of Digital Image Processing", Prentice Hall, Multimedia Communication Technology by Jens Ohm, Springer-Verlag Berlin Heidelberg LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Jain, A. K. (1989). Fundamentals of digital image processing. Prentice-Hall. Ohm, J.-R. (2004). Multimedia communication technology : representation, transmission, and identification of multimedia signals. Springer.

Codice insegnamento 50868_650968_94664

AI and Innovation 2° anno · 6 CFU · IINF-05/A · 0 file

Alla fine di questo corso gli studenti saranno in grado di: comprendere il processo di gestione dell'innovazione e i principali processi aziendali come contesto per l'adozione dell'Intelligenza Artificiale.identificare…

Scheda dell'insegnamento

Obiettivi formativi

Alla fine di questo corso gli studenti saranno in grado di: comprendere il processo di gestione dell'innovazione e i principali processi aziendali come contesto per l'adozione dell'Intelligenza Artificiale.identificare il contributo dell'IA in termini di analisi, decision-making e l'impatto correlato sul miglioramento e sull'innovazione dei processi aziendali analizzati.sviluppare una comprensione approfondita delle opportunità di innovazione in diversi contesti aziendali di prodotti/servizi.analizzare gli approcci all'innovazione e al miglioramento dei processi a diversi livelli, cioè strategici e operativi.valutare e discutere criticamente l'impatto in termini di miglioramento fornito dall'adozione delle soluzioni di IA proposte sviluppate durante l'intero corso.sviluppare competenze interdisciplinari di lavoro di squadra in collaborazione con altri studenti e con le parti interessate dell'azienda.

Programma

Introduzione alla gestione dell'innovazioneStrategie di innovazione e collegamenti con le principali strategie funzionali (marketing, operazioni, ecc.)Il contesto della Trasformazione DigitaleIntroduzione alla Gestione delle Operazioni e prospettiva del processoI diversi tipi di processi di produzione e di servizioMappatura dei processi e progettazione dei processi / KPI e misurazione delle prestazioniIl processo di acquisto e gestione dei fornitoriIl processo produttivo (manutenzione, gestione dell'inventario)Gestione della catena di approvvigionamentoGestione della qualità e Lean ManagementSviluppo di nuovi prodottiIl ruolo della sostenibilitàAutomazione dei Processi Robotici (RPA)Notazione dei Modelli di Processi Aziendali (BPMN)

Lezioni; workshop con relatori del settore; sessioni di feedback e mentoring; AI challenge in collaborazione con Hub Innovazione Trentino, che richiederà agli studenti di lavorare in gruppi per risolvere una sfida aziendale (approccio di apprendimento basato sulle sfide).

Modalità d'esame

Componenti di valutazione individuale: - Analisi critica di un business case - Riflessione individuale sull'AI Challenge Componenti di valutazione di gruppo: - Report di gruppo sull'AI Challenge: mappatura e analisi specifica del processo, soluzioni proposte e risultati (previsti) - Feedback sull'AI Challenge da parte dei mentor e dell'azienda

Testi di riferimento

Managing Innovation – Joe Tidd and John Bessant, 5° ed (and following editions), Wiley Operations Management – Nigel Slack, Alistair Brandon-Jones, Robert Johnston, 8° ed (and following editions), Pearson Additional material will be posted on Moodle by the instructor. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Tidd, J., & Bessant, J. R. (2024). Managing innovation : integrating technological, market and organizational change (8. ed.). John Wiley & Sons. Slack, N., & Brandon-Jones, A. (2022). Operations management (10. ed.). Pearson.

Codice insegnamento 50870_650977_94687

AI for Food Quality Control 2° anno · 6 CFU · IINF-03/A · 0 file

L’obiettivo del corso consiste nel fornire conoscenze di base e avanzate legate alle tecniche di riconoscimento e di apprendimento automatico per l’analisi di dati legati alla qualità di prodotti alimentari quali ad…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo del corso consiste nel fornire conoscenze di base e avanzate legate alle tecniche di riconoscimento e di apprendimento automatico per l’analisi di dati legati alla qualità di prodotti alimentari quali ad esempio oli, bevande, latte, formaggi, e varie tipologie di frutta e verdura. Al termine del corso, lo studente avrà acquisito le competenze utili nella progettazione di sistemi automatici per l’analisi sia qualitativa sia quantitativa per il controllo della qualità di prodotti alimentari, con l’ausilio di varie tipologie di sensori specializzati.

Programma

1. Introduzione Fonti di Variabilità (es. Biologica, Ambientale, Temporale, di Processo, Analitica). Disponibilità dei Dati. Analisi Quantitative. Analisi Qualitative. Esempi di Dati di Prodotti Alimentari. 2. Sensori Texture analyzer. Penetrometro. Spettrometria VIS-NIR. Analizzatore di impedenza. 3. Feature Engineering Introduzione. Preparazione dei Dati. Feature Engineering 1D. Feature Engineering delle Immagini. Metriche di Distanza. Valutazione delle Prestazioni. 4. Metodi di Regressione Introduzione. Regressione Lineare. Principal Component Regression. Partial-Least Square Regression. Neural Network Regression. Support Vector Regression. Gaussian Process Regression. Attività di Laboratorio

I metodi didattici prevedono lezioni teoriche, esercitazioni e numerose attività laboratoriali inclusa l’acquisizione di dati su campioni reali. Allo studente viene richiesta la partecipazione attiva alle lezioni e alle esercitazioni laboratoriali proposte dal docente, oltre all’approfondimento individuale dei temi trattati utilizzando il materiale fornito dal docente e la bibliografia consigliata. Esempi di attrezzature su cui si baseranno le attività laboratoriali sono: - IndiGo VIS-NIR handheld spectrometer - Near Infrared spectrometer (SM304) - Wideband (ultraviolet and infrared) for solid samples - Texture profile analyzer - Nano vector network analyzer

Modalità d'esame

L’accertamento prevede il superamento (almeno 18/30) di una prova orale che consisterà nella discussione dei risultati conseguiti in un progetto di natura implementativa preventivamente concordato con il docente.

Testi di riferimento

Materiale proiettato a lezione.R. O. Duda, P. E. Hart, and D. G. Stork. Pattern Classification. 2nd Edition, New York: John Wiley & Sons Inc, 2001.N. Cristianini and J. Shawe-Taylor. An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods. Cambridge: Cambridge University Press, 2000.V. N. Vapnik. Statistical Learning Theory. Wiley-Interscience, 1998.I. Goodfellow, Y. Bengio and A. Courville. Deep Learning. The MIT Press: London, 2016.A. S. Aguado and M. Feature Extraction and Image Processing. Academic Press, 2008.G. Dong and H. Liu. Feature Engineering for Machine Learning and Data Analytics. CRC Press, 2018.T. Næs, P. Varela, I. Berget. Individual Differences in Sensory and Consumer Science Experimentation, Analysis and Interpretation. Woodhead Publishing Series, 2018.P. B. Brockhoff, T. Næs, O. Tomic. Statistics for Sensory and Consumer Science. John Wiley & Sons Inc, 2021.H. Mark, J. Workman Jr. Chemometrics in Spectroscopy. Academic Press, 2021.

Codice insegnamento 50872_650984_96201

Advanced Computer Vision 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso si propone di fornire agli studenti le conoscenze necessarie per affrontare problemi complessi nell’ambito della visione artificiale. In particolare, il corso intende fornire agli studenti nozioni teoriche e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire agli studenti le conoscenze necessarie per affrontare problemi complessi nell’ambito della visione artificiale. In particolare, il corso intende fornire agli studenti nozioni teoriche e pratiche relative ai principali metodi e algoritmi di analisi di dati visuali basati su reti neurali e deep learning. L’attività di laboratorio intende complementare la parte teorica del corso e verterà sull’utilizzo delle principali librerie di deep learning e visione artificiale.

Programma

  • Image and scene recognition - Object detection - Pixel-level prediction (semantic segmentation, depth estimation) - Motion analysis and activity recognition - Biometrics, face, gesture, body pose - Social Signal Processing - Image and Video Generation - Tiny ML for Computer Vision - Transfer Learning and Deep Domain Adaptation for Computer Vision - Explainable AI - Privacy, transparency and ethics in vision

I metodi didattici prevedono lezioni teoriche (80%) ed esercitazioni (20%). Allo studente viene richiesta la partecipazione attiva alle lezioni, oltre all’approfondimento individuale dei temi trattati utilizzando il materiale fornito dal docente e la bibliografia consigliata. Il corso si concluderà con una lezione da parte di un'ospite autorevole, proveniente o dall'industria o dal mondo accademico.

Modalità d'esame

Gli studenti saranno valutati con una prova orale per un massimo di 30 punti.

Testi di riferimento

Materiale presentato a lezione (slides, colab notebooks).

Codice insegnamento 50871_650992_94675

Advanced HCI 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso si propone di fornire agli studenti / studentesse le conoscenze fondamentali sulla progettazione e lo sviluppo di sistemi che elaborano dati multimodali, cioè eterogenei, consentendo agli utenti di interagire…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire agli studenti / studentesse le conoscenze fondamentali sulla progettazione e lo sviluppo di sistemi che elaborano dati multimodali, cioè eterogenei, consentendo agli utenti di interagire con computers, robots e agent virtuali attraverso comportamenti intuitivi e quotidiani. Questi sistemi sfruttano la ricchezza dell'intelligenza umana (motoria, emotiva, linguistica, sociale) di interagire con il mondo usando una o più modalità sensoriali, permettendo cosi di superare i limiti dei paradigmi di interazione tradizionalmente adottati nella Human Computer Interaction. Al termine del corso gli studenti / studentesse saranno in grado di: comprendere le motivazioni per l'utilizzo di tali sistemi;ricordare i principali componenti di cui tali sistemi sono composti;identificare le aree applicative in cui tali sistemi possono essere sfruttati con successo;conoscere e applicare le tecnologie e gli algoritmi per la cattura, la rappresentazione e l'analisi automatica dei dati realtivi alle diverse modalità di comunicazione umana (ad esempio, il movimento del corpo, lo sguardo, le espressioni facciali e il parlato) e come integrarle in modo multimodale;analizzare e valutare casi d'uso specifici in scenari selezionati;progettare e sviluppare esempi di tali sistemi. Il corso incoraggia gli studenti / studentesse a discutere tra loro e con la docente sugli approcci tecnologici e a sviluppare un atteggiamento critico nell'affrontare le tematiche HCI. Il corso è tenuto in inglese.

Programma

Il programma del corso prevede la presentazione e discussione dei seguenti argomenti: 1) Introduzione sulla multimodalità, dati multimodali e sistemi multimodali 2) Dispositivi e tecnologie per sistemi multimodali intelligenti 3) Approcci computazionali per l'analisi del comportamento umano: gesto, sguardo, espressioni facciali, voce 4) Apprendimento automatico da dati multimodali 5) Casi di studio e valutazione

Il corso prevede lezioni svolte in aula, per un totale di 48 ore. Per tutto il tempo, per quanto possibile, gli studenti / studentesse sono coinvolti e incoraggiati a partecipare attivamente. Gli studenti / studentesse possono provare in aula gli approcci illustrati sui loro portatili.

Modalità d'esame

L'esame consiste in una prova orale che comprende l'analisi critica, la presentazione e la discussione di una pubblicazione scientifica, complementata da domande sugli argomenti trattati a lezione. La pubblicazione scientifica verrà scelta dallo studente / studentessa tra quelle di una lista fornita dalla docente. Il lavoro svolto sulla pubblicazione scientifica ha un peso del 60% sul voto finale, mentre la parte dell'orale riguardante gli argomenti trattati a lezione ha un peso del 40%. Verranno valutati la qualità dell’esposizione, la capacità di ragionamento critico, l’utilizzo corretto del lessico specialistico, la conoscenza degli argomenti del corso e la capacità di illustrarne i contenuti. Una spiegazione dettagliata delle modalità d'esame sarà fornita durante le prime lezioni.

Testi di riferimento

Il materiale didattico comprende copie in pdf delle diapositive presentate durante le lezioni, esercizi per le lezioni pratiche e una raccolta di riferimenti ad articoli scientifici che la docente mette a disposizione degli studenti / studentesse

Codice insegnamento 50871_650994_95963

Advanced Topics in Machine Learning and Optimization 2° anno · 6 CFU · MATH-06/A · 0 file

Il corso si propone di introdurre gli studenti ad alcuni temi avanzati selezionati nell’ambito del machine learning e dell’ottimizzazione. Gli argomenti sono scelti in modo da coprire rilevanti direzioni di ricerca…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di introdurre gli studenti ad alcuni temi avanzati selezionati nell’ambito del machine learning e dell’ottimizzazione. Gli argomenti sono scelti in modo da coprire rilevanti direzioni di ricerca recenti e sfide per la comunità del machine learning e dell’intelligenza artificiale, nonché promettenti sviluppi tecnologici.

Programma

Di seguito è riportato un elenco preliminare degli argomenti che verranno trattati nel corso: Explainable Artificial Intelligence Statistical Relational Artificial Intelligence Neuro-Symbolic integration Graph Neural Networks Structured-output learning Interactive Machine Learning Intepretable-by-design Neural Networks

Il corso prevede lezioni frontali (3,5 CFU), accompagnate da esperienze pratiche in laboratorio (2 CFU) e da una selezione di seminari tenuti da esperti su temi specifici (0,5 CFU).

Modalità d'esame

Allo studente sarà richiesto di realizzare un progetto su uno o più degli argomenti trattati durante il corso e di redigere un breve rapporto. L’esame consisterà nella valutazione del progetto (70%) e nella discussione del rapporto e dei relativi argomenti teorici (30%).

Testi di riferimento

Ogni argomento sarà presentato tramite slide, accompagnate da un elenco di pubblicazioni scientifiche rilevanti da utilizzare come materiale di riferimento.

Codice insegnamento 50871_650990_94677

Artificial General Intelligence 2° anno · 6 CFU · IINF-05/A · 0 file
Automated Planning: Theory and Practice 2° anno · 6 CFU · IINF-05/A · 0 file

Planning e Scheduling è l’attività di pensare prima di agire: usare la conoscenza del mondo per determinare cosa e quando fare una azione per raggiungere un obiettivo. Planning e Scheduling sono un argomento centrale per…

Scheda dell'insegnamento

Obiettivi formativi

Planning e Scheduling è l’attività di pensare prima di agire: usare la conoscenza del mondo per determinare cosa e quando fare una azione per raggiungere un obiettivo. Planning e Scheduling sono un argomento centrale per l’Intelligenza Artificiale (IA), e la pianificazione di azioni e movimentazione ricoprono un ruolo importante nella costruzione di molti sistemi autonomi robusti. La ricercar in Planning e Scheduling è attiva e stimolante. I problemi di Planning e Scheduling sono stati affrontati con molteplici nuovi approcci per raggiungere efficienza, espressività e applicazione pratica. Le tecniche di Planning e Scheduling sono correntemente usate con successo in molteplici aree applicative che vanno dalle linee di produzione, agli ascensori, fino a veicoli autonomi aerei, terrestri o sottomarini e in applicazione in ambito spazio. Lo scopo di questo corso è di fornire una vista complessiva degli aspetti teorici relative ad una vasta gamma di tecniche di pianificazione e scheduling, e una esperienza concreta di modellazione e costruzione di domini di planning per risolvere specifici problemi, e se il tempo lo consentirà di sperimentare il controllo di agenti robotici. Alla fine del corso lo studente sarà in grado di: • Valutare ed applicare diverse tecniche di planning e tool per risolvere problemi di planning e scheduling classico e di planning e scheduling sotto diverse assunzioni di incertezza (temporale e discrete). • Spiegare i vantaggi e svantaggi pratici dei diversi livelli di espressività nei modelli di planning e scheduling. • Modellare problemi di pianificazione classica nei comuni linguaggi di specifica dei domini (e.g. PDDL), e se il tempo lo consentirà di considerare problemi di planning con probabilità e uso di reinforcement learning. • Valutare e applicare tecniche comuni per goal-directed planning, come ad esempio differenti forme di euristiche e regole di controllo. • Sperimentare con agenti robotici reali (in base a disponibilità di tempo e risorse nel Robotic Lab o attraverso simulazioni sintetiche nell’infrastruttura ROS).

Programma

  • Introduzione al planning e scheduling • Il paradigma della pianificazione classica • Algoritmi per pianificazione classica e neo-classica • Pianificazione con vincoli di tempo e risorse • Pianificazione e scheduling con informazione di dominio • Pianificazione e scheduling sotto incertezza • Linguaggi di descrizione di problemi di Planning and Scheduling (E.g. PDDL, …) • Introduzione all’infrastruttura ROSPlan/PlanSys2 - ROS2 Planning System • Valuteremo l'uso di Markov Decision Processes and Reinforcement Learning per risolvere problemi di planning (if time allows).

Una serie di lezioni frontali per introdurre i concetti di planning e scheduling e le tecniche pratiche per la generazione e la verifica di piani sotto le diverse assunzioni sull’ambiente. Una serie di esercizi di laboratorio per acquisire esperienza sull’uso di diversi sistemi di planning e scheduling allo stato dell’arte. Sviluppo di domini e problemi di planning di interesse, e analisi di come diverse euristiche possa migliorare la qualità delle soluzioni e le prestazioni. Se sarà possibile si effettueranno esperienze pratiche di interazione con piattaforme robotiche, o con simulatori in ROS di piattaforme robotiche.

Modalità d'esame

Progetto in cui si metteranno in pratica i concetti appresi durante il corso. In alternativa al progetto, si prevede anche la possibilità di un progetto congiunto con il corso di Robot Planning tenuto dal Prof. L. Palopoli.

Testi di riferimento

  • Hector Geffner, Blai Bonet: A Concise Introduction to Models and Methods for Automated Planning. Synthesis Lectures on Artificial Intelligence and Machine Learning, Morgan & Claypool Publishers 2013, ISBN 9781608459698, pp. 1-141 • Patrik Haslum, Nir Lipovetzky, Daniele Magazzeni, Christian Muise: An Introduction to the Planning Domain Definition Language. Synthesis Lectures on Artificial Intelligence and Machine Learning, Morgan & Claypool Publishers 2019 • Malik Ghallab, Dana S. Nau, Paolo Traverso: Automated Planning and Acting. Cambridge University Press 2016, ISBN 978-1-107-03727-4 • Malik Ghallab, Dana S. Nau, Paolo Traverso: Automated planning - theory and practice. Elsevier 2004, ISBN 978-1-55860-856-6, pp. I-XXVIII, 1-635 • Richard S. Sutton and AndrewG. Barto. Reinforcement learning - an introduction, 2nd Edition. MIT Press, 2018.

Codice insegnamento 50868_650995_94668

Autonomous Software Agents 2° anno · 6 CFU · IINF-05/A · 0 file

Il concetto di agente è stato introdotto all’inizio degli anni ’90 nel campo dell’intelligenza artificiale come un nuovo paradigma per lo sviluppo di sistemi intelligenti in grado di prendere decisioni autonome e di…

Scheda dell'insegnamento

Obiettivi formativi

Il concetto di agente è stato introdotto all’inizio degli anni ’90 nel campo dell’intelligenza artificiale come un nuovo paradigma per lo sviluppo di sistemi intelligenti in grado di prendere decisioni autonome e di compiere azioni per il raggiungimento di obiettivi. Negli ultimi anni, tale concetto ha conosciuto una significativa evoluzione grazie all’avvento dei Large Language Models (LLM) e dell’Agentic AI, che hanno ampliato le capacità degli agenti consentendo forme di ragionamento più flessibili, l’interazione in linguaggio naturale e comportamenti adattivi e guidati da obiettivi in ambienti complessi. L’obiettivo del corso è analizzare ed esplorare le potenzialità offerte dall’approccio agent-oriented come paradigma per lo sviluppo di sistemi software intelligenti. Attraverso un approccio learning-by-doing, il corso affronterà temi relativi al concetto di agente e allo sviluppo di sistemi multi-agente, alle architetture e agli algoritmi per l’implementazione di un agente software (inclusi gli agenti basati su LLM), ai principi della pianificazione automatica e all’interazione tra agenti. Al termine del corso, lo studente sarà in grado di: 1. definire il processo di sviluppo di un sistema basato su agenti; 2. adottare l’architettura più appropriata per lo sviluppo di un agente software; 3. progettare un agente software autonomo orientato agli obiettivi; 4. utilizzare tecniche di pianificazione automatica per il processo deliberativo di un agente software autonomo; 5. implementare agenti software autonomi (inclusi agenti basati su LLM).

Programma

Gli argomenti del corso saranno affrontati sia dal punto di vista teorico, attraverso l’analisi della letteratura di base e più recente, sia dal punto di vista pratico, mediante strumenti di laboratorio ed esercitazioni. Essi includono: il paradigma degli agenti e dei sistemi multi-agente; le applicazioni dei sistemi multi-agente; le architetture per agenti software; il modello deliberativo Belief-Desire-Intention (BDI); i principi della pianificazione automatica; i principi degli agenti basati su LLM; l’interazione e la cooperazione tra agenti; la comunicazione tra agenti basata sugli atti linguistici (speech acts). Per quanto riguarda la parte di laboratorio, saranno svolti tutorial su JavaScript e Node.js al fine di fornire agli studenti una base comune per l’implementazione del progetto d’esame. Verranno inoltre introdotti il gioco deliveroo.js e le relative API, all’interno dei quali gli studenti svilupperanno i propri agenti software. Durante il corso saranno organizzati tornei (challenge) per testare gli agenti sviluppati dagli studenti.

L’insegnamento adotta due metodi didattici: - Lezioni frontali, durante le quali il docente presenterà gli argomenti del corso e gli studenti parteciperanno in maniera attiva formulando domande e proponendo momenti di discussione. Le lezioni prevedono l’approfondimento/ampliamento dei contenuti riportati nei testi e nel materiale che di volta in volta verrà fornito agli studenti, quale occasione di riflessione, anche critica, sulle tematiche trattate. Al fine di avere un buon livello di interattività e partecipazione degli studenti, si suggerisce la lettura del materiale didattico prima della lezione. - Esercitazioni di laboratorio, durante le quali gli studenti utilizzeranno strumenti software per lo sviluppo di sistemi ad agente. In particolare, verrà utilizzata la piattaforma Node.js per la programmazione in Javascript di agenti, API per l’utilizzo di PDDL-based planners e per l’utilizzo di algoritmi di reinforcement learning, e le API del gioco deliveroo.js per l’esecuzione degli agenti sviluppati dagli studenti e i sfide/tornei organizzati durante il corso. Possono essere richiesti, su indicazione del docente, lo studio e la preparazione di materiale prima delle esercitazioni.

Modalità d'esame

L’apprendimento e il raggiungimento dei risultati attesi sono verificati sia per gli studenti frequentanti sia per gli studenti non frequentanti con le medesime modalità di esame. Il voto finale è espresso in 30esimi, con voto massimo pari a 30/30esimi. Il docente potrà decidere di assegnare la lode in maniera discrezionale, come elemento distintivo di eccellenza del lavoro svolto. E' prevista un'unica modalità di esame e cioè lo sviluppo di un progetto. Lo sviluppo del progetto intende verificare la capacità dello studente nel risolvere problemi inerenti la progettazione e lo sviluppo di agenti software autonomi. In particolare, lo studente dovrà sviluppare un progetto suddiviso in assignment intermedi per i quali sono previste specifiche lezioni di supporto. I criteri di valutazione includono: la padronanza dei contenuti, la correttezza nell’uso dei linguaggi e metodi, la profondità di analisi, lo spirito critico e l’appropriatezza di linguaggio e terminologia.

Testi di riferimento

Non ci sono testi di riferimento adottati per il corso. Il materiale presentato durante il corso (slides, appunti e articoli) sarà reso disponibile agli studenti attraverso la piattaforma su “Moodle”. Tutte le lezioni saranno trasmesse in streaming via zoom e i video resi disponibile al termine di ciascuna lezione. Gli argomenti introduttivi del corso sono tratti dai seguenti testi. T1. Jacques Ferber. "Multi-Agent System: An Introduction to Distributed Artificial Intelligence," Addison Wesley Longman, 1999. T2. Michael Wooldridge. "An Introduction to Multiagent Systems," John Wiley & Sons, 2002 - see subsequent editions. T3. Brian Henderson-Sellers and Paolo Giorgini. "Agent-oriented Methodologies," Idea Group Inc, 2004. T4. Chip Huyen. AI Engineering: Building Applications with Foundation Models. O’Reilly, 2024. T5. Edward Chang. Multi-LLM Agent Collaborative Intelligence: The Path to Artificial General Intelligence, ACM Books, 2026. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Ferber, J. (1999). Multi-agent systems : introduction to distributed artificial intelligence. Addison-Wesley. Wooldridge, M. (2009). An introduction to multiagent systems (2. ed.). Wiley. Henderson-Sellers, B., & Giorgini, P. (2005). Agent-oriented methodologies. Idea Group. Huyen, C. (2025). AI engineering : building applications with foundation models. O’Reilly. Chang, E. Y. (2026). Multi-LLM Agent Collaborative Intelligence : the path to artificial general intelligence. Association of Computing Machinery.

Codice insegnamento 50868_650972_94673

Bio-Inspired Artificial Intelligence 2° anno · 6 CFU · IINF-05/A · 0 file

L'obiettivo di questo corso è lo studio di due dei principali paradigmi di intelligenza artificiale bio-ispirata, ovvero la computazione evolutiva, ispirata dalla biologia evolutiva, e l'intelligenza di sciame,…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo di questo corso è lo studio di due dei principali paradigmi di intelligenza artificiale bio-ispirata, ovvero la computazione evolutiva, ispirata dalla biologia evolutiva, e l'intelligenza di sciame, ispirata dai comportamenti collettivi di alcuni animali sociali. Studieremo le principali teorie e i principali algoritmi in questo campo, e vedremo come queste tecniche possono essere applicate, ad esempio, per risolvere complessi problemi di ottimizzazione, addestrare modelli basati su dati, generare contenuti (ad es., videogiochi, siti web, forme d'arte), individuare bachi nel software, evolvere programmi, fare bugfixing, o trovare soluzioni innovative in applicazioni di robotica, logistica, ed ingegneria. Infine, discuteremo come queste tecniche possono essere combinate con reti neurali ed altre tecniche di apprendimento automatico, e vedremo brevemente come questi approcci possono aiutare la comprensione dei sistemi biologici, per chiudere idealmente il collegamento tra biologia ed intelligenza artificiale. Alla fine di questo corso, gli/le studenti/esse avranno familiarizzato con le più importanti tecniche di computazione evolutiva e intelligenza di sciame, e saranno in grado di applicarle in contesti diversi in ambito industriale, di ricerca, o persino nell'intrattenimento. Avranno inoltre acquisito i fondamenti tecnici e teorici per sviluppare nuovi algoritmi ed applicarli a nuovi problemi.

Programma

Introduzione all'intelligenza artificiale bio-ispirata (1 lezione)Algoritmi evolutivi (2 lezioni)Algoritmi evolutivi per ottimizzazione multi-obiettivo (1 lezione)Algoritmi evolutivi per ottimizzazione vincolata (1 lezione)Intelligenza di sciame (2 lezioni)Neuroevoluzione (1 lezione)Programmazione genetica (1 lezione)Apprendimento per rinforzo (1 lezione)Coevoluzione competitiva e cooperativa (1 lezione)Applicazioni e trend recenti (1 lezione)Laboratori e sviluppo progetto (12 lezioni)

Il corso è organizzato in modo tale che la prima metà del corso (12 lezioni) sarà incentrata sulla teoria. La seconda metà del corso consisterà in una serie di 12 laboratori, in cui i primi forniranno un'introduzione ad alcuni strumenti e librerie per il calcolo bio-ispirato. Nei restanti laboratori, gli/le studenti/esse avranno l'opportunità di lavorare (in gruppi di 2-3 studenti/esse) allo sviluppo di un progetto a scelta libera incentrato su studi algoritmici o applicazioni degli algoritmi trattati durante le lezioni. Durante i laboratori, gli/le studenti/esse avranno anche l'opportunità di fornire presentazioni intermedie del progetto per raccogliere feedback dai docenti e condividere idee con gli altri gruppi. Per ogni lezione teorica verranno fornite le relative slide. Le slide costituiscono il riferimento principale per lo studio della parte teorica di questo corso. In alternativa, sarà possibile consultare libri di testo, se necessario, per approfondire alcuni argomenti. Durante il primo gruppo di laboratori, forniremo notebook Python per eseguire esperimenti preliminari e familiarizzare con gli strumenti esistenti. Per lo sviluppo del progetto, gli/le studenti/esse sono comunque liberi di scegliere il linguaggio di programmazione e gli strumenti che preferiscono. Se necessario, saranno rese disponibili risorse aggiuntive per i progetti (ad esempio articoli, capitoli di libri, estratti di codice, ecc.).

Modalità d'esame

Progetto: I progetti sviluppati (almeno parzialmente) durante i laboratori e finalizzati come compiti a casa possono essere svolti in gruppi di 2-3 studenti/esse. Per ogni progetto, un breve elaborato (massimo 4 pagine, redatto secondo un modello LaTeX IEEE predefinito fornito dal docente) dovrà essere inviato al docente entro una settimana prima dell'esame. Per l'esame, gli/le studenti/esse dovranno inoltre preparare una breve presentazione sul progetto (15 minuti + 5 minuti di domande e risposte) per presentare il proprio lavoro al docente e alla classe. Esame orale: Durante l'esame orale (individuale), verranno discussi gli argomenti teorici (due domande su due argomenti diversi scelti dal docente). Voto finale: Sebbene la presentazione del progetto e l'esame orale possano svolgersi in giorni diversi, si consiglia agli/lle studenti/esse di completare l'esame nella stessa sessione. Il voto finale è ottenuto come media pesata tra il voto dell'esame orale (60%) e il voto dell'elaborato finale (40%), entrambi espressi in trentesimi. Saranno assegnati punti bonus per la partecipazione attiva alle lezioni e ai laboratori.

Testi di riferimento

A.E. Eiben, J.E. Smith, "Introduction to Evolutionary Computing", Springer (capitoli: 1-6, 12, 13)D. Floreano, C. Mattiussi, "Bio-Inspired Artificial Intelligence", MIT Press (capitoli: 1, 3, 6, 7)R. Battiti, M. Brunato, "The LION Way Machine Learning plus Intelligent Optimization", University of Trento (capitoli: 24-26, estratti da capitoli 28, 29, 33, 34) LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Eiben, A. E., & Smith, J. E. (2015). Introduction to evolutionary computing (2nd ed.). Springer. Floreano, D., & Mattiussi, C. (2008). Bio-inspired artificial intelligence : theories, methods and technologies. MIT press. Battiti, R., & Brunato, M. (2015). The LION way : machine learning plus intelligent optimization. LionsLab.

Codice insegnamento 50868_650983_93700

Causality 2° anno · 6 CFU · IINF-05/A · 0 file

La teoria della causalità rappresenta un'evoluzione naturale della teoria della probabilità e della statistica, sempre più essenziale nell'ambito dell'Intelligenza Artificiale e del Deep Learning di ultima generazione.…

Scheda dell'insegnamento

Obiettivi formativi

La teoria della causalità rappresenta un'evoluzione naturale della teoria della probabilità e della statistica, sempre più essenziale nell'ambito dell'Intelligenza Artificiale e del Deep Learning di ultima generazione. Il corso offre una panoramica critica dei concetti chiave, dei risultati teorici e delle tecniche algoritmiche della causalità, con particolare attenzione agli elementi più vicini ai progressi e ai problemi aperti nell'apprendimento delle rappresentazioni, nel deep learning e nell'Intelligenza Artificiale in generale. L'obiettivo è fornire agli studenti una comprensione approfondita dei fondamenti della modellazione, del ragionamento e dell'apprendimento causale, in modo da aiutarli a riconoscere quando e come applicare gli strumenti della causalità per risolvere problemi pratici e affrontare questioni teoriche e di modellazione. A tal fine, il corso tratta sia i risultati positivi che i principali risultati di impossibilità. Al termine del corso, gli studenti saranno in grado di: dimostrare la conoscenza della modellazione, del ragionamento e dell'apprendimento causale; analizzare criticamente e comprendere le pubblicazioni su IA, machine learning e deep learning da una prospettiva causale; affrontare problemi computazionalmente pratici in IA e Machine Learning che richiedono un pensiero causale.

Programma

Il corso tratterà i seguenti argomenti: - Fondamenti di modellazione e ragionamento causale - Livello 1 della gerarchia di Pearl: ragionamento probabilistico (ripasso) - Livello 2 della gerarchia di Pearl: ragionamento interventistico e calcolo del do - Livello 3 della gerarchia di Pearl: ragionamento controfattuale - Apprendimento di modelli causali dai dati - Apprendimento della rappresentazione causale nelle reti neurali - Inferenza causale e framework del risultato potenziale - Astrazioni dei modelli di IA - Spiegazioni causali dei modelli di IA

Ciascun argomento richiederà dalle 2 alle 6 ore di lezione, principalmente in aula. Alcuni argomenti saranno affiancati da sessioni pratiche basate su notebook Jupyter, per aiutare gli studenti a familiarizzare con gli strumenti software. Il corso prevede anche uno o due seminari su argomenti specifici relativi alla causalità, ciascuno tenuto da un esperto del settore.

Modalità d'esame

Agli studenti verrà richiesto di presentare e discutere il contenuto di una pubblicazione scientifica che utilizzi idee o tecniche di causalità e di rispondere a domande correlate durante un esame orale. La selezione delle pubblicazioni possibili sarà a cura dei docenti. L'esame orale si concentrerà sulla presentazione e sugli argomenti correlati trattati nel corso.

Testi di riferimento

Libro di riferimento: Elias Bareinboim, “Causal Artificial Intelligence”, 2025 (disponibile online)Altri riferimenti di supporto: Judea Pearl, “Causality”, 2009.Jonas Peters, Dominik Janzing, Bernhard Schoelkopf, “Elements of Causal Inference”, 2017.Stefan Wager, “Causal inference: A statistical learning approach”, 2024 (available online)Tutte le altre pubblicazioni utili saranno fornite dai docenti durante il corso. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Bareinboim, E. Causal Artificial Intelligence. NON ANCORA PUBBLICATO Pearl, J. (2009). Causality : models, reasoning and inference (2nd ed.). Cambridge university press. Peters, J., Schölkopf, B., & Janzing, D. (2017). Elements of causal inference : foundations and learning algorithms. MIT Press. Wager, S. Causal inference: A statistical learning approach. NON ANCORA PUBBLICATO

Codice insegnamento 50868_653250_97139

Distributed Robot Perception 2° anno · 6 CFU · IMIS-01/B · 0 file

Gli obiettivi formativi del corso sono essenzialmente l’acquisizione di una visione d’insieme dei sistemi distribuiti per le misure e l’automazione utilizzati oggigiorno in ambiente industriale e civile. Il corso si…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi formativi del corso sono essenzialmente l’acquisizione di una visione d’insieme dei sistemi distribuiti per le misure e l’automazione utilizzati oggigiorno in ambiente industriale e civile. Il corso si incentra sulle soluzioni tecnologiche più avanzate ed adottate nell’industria nonché sugli aspetti teorici che nascono qualora il controllo o la stima siano applicate in un contesto distribuito. Particolare risalto verrà dato alla percezione robotica utilizzando tecniche di Intelligenza Artificiale da applicare ai problemi industriali e robotici. Durante il corso si porrà l’accento sul disegno e l’implementazione di stimatori distribuiti da utilizzare per i sistemi autonomi intelligenti in ambiente industriale e di servizio, analizzando i problemi che ne derivano sia dal punto vista pratico che teorico. Esempi di applicazione di queste tecniche su sistemi reali o realistici verranno presentati durante la durata del corso. Alla fine del corso, lo studente sarà in grado di: - capire la complessità, i problemi e le potenzialità dei sistemi distribuiti; - effettuare valutazioni comparative riguardanti le diverse soluzioni tecnologiche a disposizione per i sistemi distribuiti; - valutare ed analizzare le implicazioni pratiche e teoriche di un sistema di misura e di percezione distribuito; - analizzare e disegnare un sistema distribuito per un particolare sistema e con uno specifico obiettivo; - definire in modo critico i benefici ed i limiti di una soluzione distribuita.

Programma

Il corso mostrerà l'applicazione di tecniche di stima classica e basate sull’intelligenza artificiale al problema della percezione sia a livello di singolo agente sia a livello di agenti multipli (percezione distribuita). Lo studente verrà introdotto agli approcci Bayesiani e Markoviani al problema della stima distribuita e agli algoritmi di ML per la classificazione, per la localizzazione e per la predizione dei movimenti delle varie entità presenti nello scenario operativo. Le conoscenze verranno consolidate attraverso simulazioni ed esperienze di laboratorio. In dettaglio, il corso comprenderà: - Soluzioni tecnologiche per i sistemi distribuiti in ambiente industriale e per applicazioni robotiche: introduzione ai sistemi di comunicazione digitale e bus di campo (CAN bus, PROFIBUS); reti per il controllo (Real Time Ethernet, PROFINET); reti wireless; Qualità del Servizio. - Architetture di misura distribuite per la stima: sistemi SCADA (con esempi). - Breve ripasso sui concetti di misura, sulle variabili aleatorie e sui processi aleatori. Teorema di Bayes, stimatori ottimi statici (regressori) e dinamici (filtri). Esempi di stima di stato per veicoli. - Percezione per applicazioni robotiche basate su modelli a spazio di stato: localizzazione, mappatura, tracciamento. - Stima e controllo distribuiti basate sulla teoria del consenso lineare. Problemi classici di stima e controllo distribuiti in controlli e robotica. - Introduzione su catene di Markov, Interactive Multiple Models, Graphical Models, Particle filtering.

Gli studenti del corso sono vivamente consigliati di seguire le lezioni di didattica frontale (circa 70 ore) che saranno effettuate dai docenti utilizzando il materiale didattico predisposto (trasparenze e note) e resi disponibili prima della lezione sul portale Esse3. Alcune esercitazioni, basate su Matlab e Simulink, verranno presentate durante il corso (circa 20 ore) e verteranno su alcuni aspetti presentati a lezione e applicati su impianti reali tramite modelli e simulazioni. Durante le lezioni, l'insegnante solleciterà la partecipazione attiva degli studenti tramite discussioni e domande aperte agli studenti per stimolare la loro partecipazione attiva. Lo studente, nel suo lavoro personale, assimilerà i concetti attraverso lo studio delle trasparenze delle lezioni e dei libri di testo proposti.

Modalità d'esame

Per superare proficuamente l’esame, gli studenti devono rispondere ad un breve test scritto a risposta multipla di 10 domande che verterà sulla prima parte del corso (soluzioni tecnologiche per i sistemi distribuiti, architetture SCADA). Dovranno poi completare un progetto su un caso di studio che ha per tema un sistema distribuito. Il tema del progetto può vertere su tematiche di misura, stima, percezione e/o automazione distribuita. L’applicazione studiata non è ristretta a nessun specifico ambito e può svariare dai sistemi di monitoraggio per Smart Cities ai sistemi di automazione o misura industriale, dalla robotica di servizio ai veicoli intelligenti. Sia applicazioni sperimentali che simulate possono essere presentate. Resta comunque il fatto che il tema specifico debba essere concertato con il docente, il quale provvede anche a fornire il materiale integrativo (solitamente articoli tecnici o scientifici) incentrato sull’argomento prescelto e sul quale lo studente si basa per preparare il progetto. Ogni progetto può essere sviluppato dal singolo studente o da gruppi di due componenti (in casi particolari, da tre componenti). Il progetto è presentato in dettaglio durante una prova orale, durante la quale si deve presentare un report scritto e dettagliato sul progetto ed il dimostratore sperimentale o simulativo adottato per il sistema distribuito. Gli studenti sono invitati a fare molta attenzione al report che presenteranno: si deve introdurre il problema affrontato e come lo si è risolto, dettagliando le soluzioni tecnologiche e tecniche adottate, e presentando i risultati in maniera adeguata, presentando e discutendo chiaramente i vantaggi e gli svantaggi della soluzione scelta ed implementata. Il report deve avere una lunghezza di circa 6/8 pagine in formato doppia colonna. Il template del report è fornito tramite il servizio di didattica online su Esse3. L’obiettivo della discussione del progetto è la verifica delle conoscenze maturate durante il corso, la capacità di affrontare e risolvere problemi da parte dello studente, la capacità di analizzare e presentare i risultati ottenuti. Il voto finale discende da una valutazione ponderata sulla 1) qualità del report di progetto; 2) originalità, rigorosità e validità tecnica del progetto sviluppato; 3) conoscenza degli aspetti teorici inerenti al progetto.

Testi di riferimento

F. Bullo and J. Cortés and S. Martìnez: “Distributed Control of Robotic Networks”, Princeton University Press. Free download on-line. Y. Bar-Shalom, X. Rong Li, T. Kirubarajan: “Estimation with Application to Tracking and Navigation -- Theory, Algorithm and Software”, John Wiley and Sons, 2001. D.G. Alciatore, M.B. Histand: ``Introduction to Mechatronics and Measurement Systems'', Mc Graw Hill. Murphy KP. Machine learning: a probabilistic perspective. MIT press; 2012 LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Bullo, F., Cortés, J., & Martínez, S. (2009). Distributed control of robotic networks : a mathematical approach to motion coordination algorithms. Princeton university press. Bar-Shalom, Y., Kirubarajan, T., & Li, X.-R. (2001). Estimation with applications to tracking and navigation. Wiley. Alciatore, D. G. (2019). Introduction to mechatronics and measurement systems. (5th ed.). McGraw-Hill. Murphy, K. P. (2012). Machine learning : a probabilistic perspective. MIT press.

Codice insegnamento 50871_650978_94678

Foundation Models 2° anno · 6 CFU · INFO-01/A · 0 file

Il corso introduce le architetture, i paradigmi di addestramento e le applicazioni dei moderni foundation model, trattando sia i modelli linguistici di grandi dimensioni (LLM) sia i modelli vision-language/multimodali…

Scheda dell'insegnamento

Obiettivi formativi

Il corso introduce le architetture, i paradigmi di addestramento e le applicazioni dei moderni foundation model, trattando sia i modelli linguistici di grandi dimensioni (LLM) sia i modelli vision-language/multimodali (VLM). Gli studenti impareranno a leggere e valutare criticamente articoli di ricerca, a comprendere le scelte progettuali alla base dei modelli attuali e ad acquisire esperienza pratica nell'esecuzione di esperimenti di inferenza e addestramento. Al termine del corso, gli studenti saranno in grado di ragionare sulle capacità e sui limiti dei foundation model, discutere criticamente la ricerca recente e comunicare i risultati tramite una presentazione di un articolo scientifico.

Programma

  • Introduzione: panoramica del corso, come leggere un articolo di ricerca, infrastruttura di calcolo per le esercitazioni pratiche. - Large Language Models: Transfer learning and language modeling, word and sentence representations, transformers, question answering, text generation, tuning and reasoning - Vision-Language Models: comprensione multimodale, generazione multimodale, addestramento e allineamento, ragionamento e comportamento agentico, intelligenza artificiale multimodale responsabile e sicura, con un'applicazione alla robotica come caso di studio conclusivo. - Presentazioni di articoli scientifici da parte degli studenti, sia sulla letteratura LLM sia su quella multimodale, con discussione in aula.

Lezioni frontali affiancate da dimostrazioni di live coding ed esercitazioni pratiche in laboratorio su un cluster GPU condiviso. Durante le sessioni dedicate alla presentazione degli articoli, ogni studente presenta e guida ladiscussione su un articolo assegnato due volte nel corso del semestre — una per il blocco LLM e una per il blocco MLLM; queste presentazioni contribuiscono con punti bonus alla valutazione finale.

Modalità d'esame

La valutazione finale si basa su un project work, consegnato sotto forma di relazione scritta in stile articolo scientifico, insieme a una presentazione orale il giorno dell'esame. Punti bonus sono assegnati per le presentazioni di articoli svolte durante il corso (blocchi LLM e MLLM).

Testi di riferimento

Non è previsto un libro di testo obbligatorio, poiché il campo evolve troppo rapidamente. Le letture (articoli di ricerca e slide delle lezioni) vengono assegnate nel corso del semestre. Riferimento generale: Deep Learning (Goodfellow, Bengio, Courville). LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.

Codice insegnamento 50871_653247_97125

Foundation Models 2° anno · 6 CFU · INFO-01/A · 0 file

Il corso introduce le architetture, i paradigmi di addestramento e le applicazioni dei moderni foundation model, trattando sia i modelli linguistici di grandi dimensioni (LLM) sia i modelli vision-language/multimodali…

Scheda dell'insegnamento

Obiettivi formativi

Il corso introduce le architetture, i paradigmi di addestramento e le applicazioni dei moderni foundation model, trattando sia i modelli linguistici di grandi dimensioni (LLM) sia i modelli vision-language/multimodali (VLM). Gli studenti impareranno a leggere e valutare criticamente articoli di ricerca, a comprendere le scelte progettuali alla base dei modelli attuali e ad acquisire esperienza pratica nell'esecuzione di esperimenti di inferenza e addestramento. Al termine del corso, gli studenti saranno in grado di ragionare sulle capacità e sui limiti dei foundation model, discutere criticamente la ricerca recente e comunicare i risultati tramite una presentazione di un articolo scientifico.

Programma

  • Introduzione: panoramica del corso, come leggere un articolo di ricerca, infrastruttura di calcolo per le esercitazioni pratiche. - Large Language Models: Transfer learning and language modeling, word and sentence representations, transformers, question answering, text generation, tuning and reasoning - Vision-Language Models: comprensione multimodale, generazione multimodale, addestramento e allineamento, ragionamento e comportamento agentico, intelligenza artificiale multimodale responsabile e sicura, con un'applicazione alla robotica come caso di studio conclusivo. - Presentazioni di articoli scientifici da parte degli studenti, sia sulla letteratura LLM sia su quella multimodale, con discussione in aula.

Lezioni frontali affiancate da dimostrazioni di live coding ed esercitazioni pratiche in laboratorio su un cluster GPU condiviso. Durante le sessioni dedicate alla presentazione degli articoli, ogni studente presenta e guida ladiscussione su un articolo assegnato due volte nel corso del semestre — una per il blocco LLM e una per il blocco MLLM; queste presentazioni contribuiscono con punti bonus alla valutazione finale.

Modalità d'esame

La valutazione finale si basa su un project work, consegnato sotto forma di relazione scritta in stile articolo scientifico, insieme a una presentazione orale il giorno dell'esame. Punti bonus sono assegnati per le presentazioni di articoli svolte durante il corso (blocchi LLM e MLLM).

Testi di riferimento

Non è previsto un libro di testo obbligatorio, poiché il campo evolve troppo rapidamente. Le letture (articoli di ricerca e slide delle lezioni) vengono assegnate nel corso del semestre. Riferimento generale: Deep Learning (Goodfellow, Bengio, Courville). LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.

Codice insegnamento 50869_653247_97125

Foundations of Cognitive Psychology and Neuroscience 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine del corso, gli studenti saranno in grado di: Descrivere le principali teorie e modelli della psicologia cognitiva e delle neuroscienze cognitive.Confrontare e valutare approcci teorici alternativi alla…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, gli studenti saranno in grado di: Descrivere le principali teorie e modelli della psicologia cognitiva e delle neuroscienze cognitive.Confrontare e valutare approcci teorici alternativi alla rappresentazione e al funzionamento mentale.Analizzare criticamente studi empirici nel campo delle neuroscienze cognitive e discuterne le implicazioni teoriche.Interpretare disegni sperimentali e risultati provenienti da studi comportamentali e di neuroimaging.Applicare concetti chiave come embodiment, astrazione e mappe cognitive per spiegare funzioni cognitive.Condurre e partecipare attivamente a discussioni scientifiche basate su articoli di ricerca.Comunicare idee teoriche e risultati empirici tramite presentazioni orali strutturate.Integrare conoscenze acquisite per costruire una visione coerente del rapporto mente–cervello.

Programma

Il corso alterna lezioni frontali a presentazioni e discussioni guidate dagli studenti. I temi affrontati includono: Rappresentazione mentale e linguaggioCognizione incarnata e sistemi sensomotoriConcetti astratti e metafore concettualiMappe cognitive e memoria spazialeTecniche di neuroimaging (fMRI, EEG/MEG)Semantica e conoscenza concettualePercezione visiva e immaginazione mentalePlasticità cerebrale e riorganizzazione funzionaleModelli di intelligenza artificiale ispirati al cervelloUna selezione di articoli scientifici, sia teorici che empirici, sarà assegnata settimanalmente. Alcune lezioni includeranno interventi di ospiti esperti.

Lezioni frontali: introduzione teorica e integrazione interdisciplinare.Presentazioni degli studenti: analisi e discussione di articoli empirici.Sessioni di discussione: riflessione critica e confronto collaborativo.Lezioni ospiti: approfondimenti su ricerche attuali e contesto professionale. Agli studenti è richiesto di: Preparare le letture assegnate prima delle lezioni.Tenere almeno una presentazione strutturata su un articolo empirico.Partecipare attivamente alle discussioni in aula.

Modalità d'esame

La valutazione è allineata con i risultati di apprendimento e prevede: Presentazione orale (20%): chiarezza espositiva, profondità dell’analisi, capacità di guidare la discussione.Esame orale finale (80%): verifica individuale su concetti teorici, modelli e evidenze trattate nel corso. Ogni componente sarà valutata in base a rigore argomentativo, accuratezza, integrazione dei contenuti e capacità comunicative.

Testi di riferimento

Manuale consigliato (non obbligatorio): Ward, J. (2015). The Student’s Guide to Cognitive Neuroscience. Quinta edizione. Psychology Press. Letture obbligatorie: Una raccolta di articoli scientifici e capitoli di libri sarà resa disponibile sulla piattaforma del corso. Le letture includono: Testi teorici introduttivi (generalmente per le lezioni del lunedì)Articoli empirici per le presentazioni e discussioni (martedì e mercoledì)

Codice insegnamento 51358_658529_97368

Human-Machine Dialogue 2° anno · 6 CFU · IINF-05/A · 0 file

Computers, agents capable of engaging in meaningful conversations with humans, are becoming increasingly prevalent across various industries and applications. In this course, we delve into the fundamental principles of…

Scheda dell'insegnamento

Obiettivi formativi

Computers, agents capable of engaging in meaningful conversations with humans, are becoming increasingly prevalent across various industries and applications. In this course, we delve into the fundamental principles of interaction and dialogue between humans and computers, as well as their underlying structure. We draw from conversation linguistics to develop computational dialogue models, dialogue system architectures, and their evaluation. The second part of the course equips students with methodologies for designing conversational agents, data-driven training (including generative AI models, agentic frameworks, and end-to-end pipelines), design tools, and a project-based lab that tackles real-world use cases. This approach ensures that students ground the concepts and learn how to apply them in real-life scenarios. Students will design, develop, and evaluate human-machine dialogue systems for an application with large language models and/or agentic frameworks.

Programma

Check the updated website https://disi.unitn.it/~riccardi/page7/styled-3/page16.html

The course will be delivered through lectures for students to learn the about the (sub)topics of the course. The course will also we include numerous lab sessions where the students will be presented methodologies, tools and frameworks for the design, training and development of human-machine dialogue systems. During the lab session the student will be coached to apply the knowledge they acquired and develop conversational systems prototypes for realistic use cases.

Modalità d'esame

The course is project and report based. The evaluation will be based on the human-machine dialogue system the students will develop. The code, the project report and the project discussion will be assessed altogether.

Testi di riferimento

The material and references will be provided in the course website (see the course webpage ).

Codice insegnamento 50868_650985_94670

Innovation and Entrepreneurship Basic 2° anno · 6 CFU · ECON-08/A · 0 file

The goal of the course is to provide students with fundamentals in the field of innovation theory and entrepreneurial practice (I&E) applied to the computing disciplines. The course has a particular emphasis on…

Scheda dell'insegnamento

Obiettivi formativi

The goal of the course is to provide students with fundamentals in the field of innovation theory and entrepreneurial practice (I&E) applied to the computing disciplines. The course has a particular emphasis on developing a critical understanding of innovation, entrepreneurship, and social impacts of computing, meaning that the course does not only build fundamental knowledge, but also situates it in current socio-technical debates, and tries to encourage developing a mindset that questions current narratives of innovation. The course also aims to develop, through its teaching and assessment modes, “soft skills” such as clear presentation and writing, creativity, and critical thinking. At the end of the course, students will be able to: - Discuss the main trends and “waves” that characterised digital entrepreneurship; - Analyse key technological macro-trends, and possible future evolutions of these trends; - Create or reconstruct rough drafts of business models starting from existing ideas and/or products; - Create simple scenarios that explore potential impacts and developments of ideas and/or products; - Discuss the roles and impacts of contemporary entrepreneurship in society; - Discuss the enabling role of technology — both positive and negative — in society; - Discuss the main ethical implications of innovations, business models and technologies; - Create presentations with a clear message and logical flow of arguments; - Present, defend, and articulate ideas in public; - Positively work in a group setting, managing deadlines and internal group dynamics.

Programma

The course will introduce the following key contents (not necessarily in this order): - What is innovation and entrepreneurship - Technology Entrepreneurship - Entrepreneurial mindset - Elements of business modelling and business model innovation - Venture Financing - Digital Transformation - Epistemology of innovation - Elements of futures studies - Social impacts of computing and innovation - Ethics of technology - Social innovation - Elements of creative writing - Critical Thinking

The course uses different teaching methodologies: - Highly interactive lectures on innovation theory and entrepreneurial practice - Flipped classrooms - Guest lectures (entrepreneurial testimonials, specialist lectures) - In-class group debates/discussions (inspired by the "Technology Battles" model) - Online and in-person live exercises The IEB course is offered by default in attending mode only. Attending students have a soft requirement of regularly being present at classes (>75% presence). Active participation is required and rewarded in all classes and group work. The general approach of the course will be more "qualitative" than "quantitative", adopting a logic of "no question is wrong" during the lectures. Students should see the course as a co-creation endeavour, where they can and should take ownership of the course together with the teaching staff. We kindly ask all students wishing to take the exam as non-attending to get in touch with the course lecturers to confirm the exam modes. The course participates in the University’s experimentation on Blended Learning. Part of the course will be taught in a “flipped classroom” mode, where students will be asked to familiarise with material before the class, to be later discussed in class. The course will also offer online mentoring slots as a support for all the evaluated activities.

Modalità d'esame

The evaluation of each attending student will be composed of: - A short structured exercise that applies the concepts studied in the course’s theory block, presented orally at the middle of the course (up to 6 marks). - A group presentation, as part of the “tech battles”, done in two iterations: 1. during the battle itself (where both battle teams receive up to 4 marks); 2. at the end of the course, in an iterated version that should include lessons learned from the battle itself, and representing the team’s reconciliation of the dilemma explored in the battle (each team receiving up to 10 marks). - A presentation on an I&E topic chosen by the student (up to 15 marks). The presentation is normally done individually but, should the course have a high number of students, the teachers may open to the option of doing presentations in pairs. For non-attending students, the evaluation will be composed of: - A poster which visually summarizes one of the Technology Battles done in class (up to 10 marks) - An accompanying short paper for the poster (up to 5 marks) - A presentation on a possible reconciliation of the controversy in the Technology Battle (up to 20 marks). All marks above 30 are converted to 30 cum laude. The course’s evaluation strategy includes a 4-5 marks buffer to compensate for the course’s rigorous grading policy. The non-attending exam is granted only under exceptional circumstances, and is negotiated individually with the course’s lecturers. We discourage taking the non-attending exam because, in our experience, students that attend the course are able to fulfil the course’s learning objectives substantially more effectively. Once more: we kindly ask all students wishing to take the exam as non-attending to get in touch with the course lecturers to confirm the exam modes. The teachers will provide templates for the various exam components in due time. All written documents are evaluated based on criteria of: - Correctness (presents factual, verifiable, correct information which is adequately referenced) - Completeness (shows comprehensive knowledge and ability to connect properly with other topics) - Exposition (presentation is clear, lean; language is used appropriately) - Argumentation (arguments are presented logically, shows critical thinking, and outlines key trade-offs) Presentations are evaluated on the same criteria, and equal weight is given to the presentation’s content, its delivery, and how students answer to questions posed by the jury. A particular emphasis is put on respecting the presentation’s allotted timing and having a clear main message, opening, and closing. Each student deliverable must be accompanied by a Generative Tools Statement, which declares if and how students used generative tools such as ChatGPT. The Statement is not part of the evaluation of the deliverables, but is a prerequisite required before their evaluation, where it could be “compliant” or “non-compliant”. Details on how to fill the Generative Tools Statement are available on the course’s Moodle page.

Testi di riferimento

The course organically develops its reference literature and theoretical framework according to the needs of the students. Selected readings are published on the course’s Moodle page. As a general reference, the following readings are suggested and will be referenced in parts during the courses. Books - Ted Chiang, Exhalation, 2019 - Bruno Latour, Science in Action, 1987 - Clayton Christensen, The innovator's dilemma, 1997 - Peter Drucker, Innovation and Entrepreneurship, 2014 - Nicholas Taleb, The Black Swan, 2007 - Fieke Harinck and Esther Van Leeuwen, The Art of Presenting, 2020 - Roberto Poli, Lavorare con Il Futuro (en: Working with the Future), 2020 - Joshua Schimel, Writing Science, 2011 - Mike Hazas and Lisa Nathan, Digital Technology and Sustainability: Engaging the Paradox, 2017 Papers - Geissdoerfer, Martin, et al., 2018. ‘Sustainable Business Model Innovation: A Review’. Journal of Cleaner Production 198 (October): 401–16. https://doi.org/10.1016/j.jclepro.2018.06.240. - Angeli, Lorenzo, et al., 2020. ‘Prove Me Wrong! How Debating Becomes the Secret Weapon to Teach ICT Students Innovation and Entrepreneurship’. In 2020 IEEE International Conference on Teaching, Assessment, and Learning for Engineering (TALE), 173–80. Takamatsu, Japan: IEEE. https://doi.org/10.1109/TALE48869.2020.9368481. - Bonifacio, Matteo et al., 2017. "Enacting Divergent Learning Dynamics In Teamworking: The Case Of Technology Battles”. Proceedings of EduLearn 2017. doi:10.21125/edulearn.2017.2416 - Bonifacio, Matteo. 2014. “Social Innovation: A Novel Policy Stream or a Policy Compromise? An EU Perspective.” European Review 22 (1): 145–69. doi:10.1017/S1062798713000707. - Callon, Michel. 1986. “Some Elements of a Sociology of Translation: Domestication of the Scallops and the Fishermen of St. Brieuc Bay.” Power, Action, and Belief: A New Sociology of Knowledge 32: 196–223. - Brown, John Seely, and Paul Duguid. 1991. “Organizational Learning and Communities-of-Practice: Toward a Unified View of Working, Learning, and Innovation.” Organization Science 2 (1): 40–57. doi:10.1287/orsc.2.1.40. - Nonaka, Ikujiro, and H. Takeuchi. 1997. “The Knowledge-Creating Company.” The Economic Impact of Knowledge, 183. - Simon, Herbert A. 1976. “From Substantive to Procedural Rationality.” In 25 Years of Economic Theory, 65–86. Springer, Boston, MA. doi:10.1007/978-1-4613-4367-7 - Cohen, Michael D., James G. March, and Johan P. Olsen. 1972. “A Garbage Can Model of Organizational Choice.” Administrative Science Quarterly 17 (1): 1–25. doi:10.2307/2392088. - March, James G. 1991. “Exploration and Exploitation in Organizational Learning.” Organization Science 2 (1): 71–87. doi:10.1287/orsc.2.1.71. - Daft, Richard L., and Karl E. Weick. 1984. “Toward a Model of Organizations as Interpretation Systems.” Academy of Management Review 9 (2): 284–295. - Katz, Michael L., and Carl Shapiro. 1994. “Systems Competition and Network Effects.” The Journal of Economic Perspectives 8 (2): 93–115. - Van Maanen, John. "Observations on the making of policemen." Human organization 32.4 (1973): 407-418. - Weick, Karl E. "The collapse of sensemaking in organizations: The Mann Gulch disaster." Administrative science quarterly (1993): 628-652. - Lynch, M. “STS, symmetry and post-truth”; Social Studies of Science (2017); https://doi.org/10.1177/0306312717720308 - Zuckerman, E. “QAnon and the Emergence of the Unreal”; MIT Journal of Design and Science (2019); https://doi.org/10.21428/7808da6b.6b8a82b9 - Costanza-Chock, S. “Design Justice, A.I., and Escape from the Matrix of Domination” (2018) https://doi.org/10.21428/96c8d426 LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Chiang, T. (2020). Exhalation. Picador. Latour, B. (1987). Science in action : how to follow scientists and engineers through society. Harvard University press. Christensen, C. M. (2000). The innovator’s dilemma : the revolutionary book that will change the way you do business. Harper Business. Drucker, P. F. (1993). Innovation and entrepreneurship : practice and principles. Harper. Taleb, N. N. (2007). The black swan : the impact of the highly improbable. Random house. Harinck, F., & Leeuwen, E. A. C. van. (2020). The art of presenting : delivering successful presentations in the social sciences and humanities. Cambridge university press. Poli, R. (2019). Working with the future : ideas and tools to govern uncertainty (International ed.). EGEA. Schimel, J. (2012). Writing science : how to write papers that get cited and proposals that get funded. Oxford university press. Hazas, M., & Nathan, L. P. (2018). Digital technology and sustainability : engaging the paradox. Routledge. Geissdoerfer, M., Vladimirova, D., & Evans, S. (2018). Sustainable Business Model Innovation: A Review. Journal of Cleaner Production, 198, 401-416. Angeli, L. [et al.] (2020). Prove Me Wrong! How Debating Becomes the Secret Weapon to Teach ICT Students Innovation and Entrepreneurship. IEEE International Conference on Teaching, Assessment, and Learning for Engineering (TALE), 173-180. Bonifacio, M., Angeli, L. & Stoycheva, M. (2017). Enacting Divergent Learning Dynamics in Teamworking: The Case of Technology Battles. EDULEARN17 Proceedings, 6244-6253. Bonifacio, M. (2014). Social Innovation: A Novel Policy Stream or a Policy Compromise? An EU Perspective. European Review, 22 (1), 145-169. Callon, M. (1984), Some elements of a sociology of translation: Domestication of the scallops and the fishermen of St Brieuc Bay. The Sociological Review, 32, 196-233. Brown, J. S., & Duguid, P. (1991). Organizational Learning and Communities-of-Practice: Toward a Unified View of Working, Learning, and Innovation. Organization Science, 2 (1), 40-57. Nonaka, I. (1991). The Knowledge-Creating Company. Harvard Business Review, 69 (6), 96-104. Simon, H. A. (1976). From Substantive to Procedural Rationality. 25 Years of Economic Theory, Pringer, 65–86. Cohen, M. D., March, J. G., & Olsen, J. P. (1972). A Garbage Can Model of Organizational Choice. Administrative Science Quarterly, 17 (1), 1-25. March, J. G. (1991). Exploration and Exploitation in Organizational Learning. Organization Science, 2 (1), 71-87. Daft, R. L., & Weick, K. E. (1984). Toward a Model of Organizations as Interpretation Systems. Academy of Management Review, 9 (2), 284-295. Katz, M. L., & Shapiro, C. (1994). Systems Competition and Network Effects. The Journal of Economic Perspectives, 8 (2), 93-115. Van Maanen, J. (1973). Observations on the Making of Policemen. Human Organization, 32 (4), 407-418. Weick, K. E. (1993). The Collapse of Sensemaking in Organizations: The Mann Gulch Disaster. Administrative Science Quarterly, 38 (4), 628-652. Lynch, M. (2017). STS, symmetry and post-truth. Social Studies of Science, 47 (4), 593-599. Zuckerman, E. (2019). QAnon and the Emergence of the Unreal. Journal of Design and Science, 6. Costanza-Chock, S. (2018). Design Justice, A.I., and Escape from the Matrix of Domination. Journal of Design and Science, 3.5.

Codice insegnamento 50870_650979_93218

Internship 2° anno · 6 CFU · 0 file
Introduction to Human Language 2° anno · 6 CFU · GLOT-01/A · 0 file

Dopo una introduzione metodologica, il corso coprirà in sintesi gli elementi fondamentali delle tradizionali divisioni della linguistica: - Metodologia: approcci strutturalisti, generativi, basati su corpus,…

Scheda dell'insegnamento

Obiettivi formativi

Dopo una introduzione metodologica, il corso coprirà in sintesi gli elementi fondamentali delle tradizionali divisioni della linguistica: - Metodologia: approcci strutturalisti, generativi, basati su corpus, psicolinguistici (relazioni, differenze, problemi) - Fonetica (come i suoni sono prodotti, registrati, trascritti e percepiti: spettrogrammi, tratti distintivi, IPA, ecc.) - Fonologia (regole dei sistemi di suoni in uso nelle varie lingue: fonemi e allofoni, strutture sillabiche, ecc.) - Morfologia (lo studio dei componenti delle parole: morfemi e loro tipologia, allomorfi, composti, ecc.) - Sintassi (lo studio del modo in cui le parole si connettono in sintagmi e frasi: costituenti e loro organizzazione, dipendenze a lunga distanza, principi e parametri) La semantica sarà oggetto specifico di un altro corso ("Logical structures in natural language"), insegnato nel semestre successivo. Al termine del corso gli studenti saranno in grado di: - esporre le idee fondamentali della fonetica, fonologia, sintassi e semantica; - effettuare analisi strutturali plausibili di parole e frasi, con rappresentazioni ad albero o a dipendenze. - riconoscere alcuni aspetti di un spettrogramma sonoro, ed esprimere fonemi usando l'International Phonetic Alphabet (IPA) - Applicare le loro conoscenze per ottenere informazioni linguistiche da parlanti di lingue a loro non note. - Spiegare la differenza tra approcci differenti alla linguistica (generativo, tipologico, corpus based, ecc.) Tutto l'insegnamento è in lingua inglese, ma gli esempi saranno presi da una varietà di lingue, incluso l'italiano.

Programma

La linguistica generale è una disciplina che studia il funzionamento del linguaggio umano come facoltà generale della mente umana, a prescindere delle differenze tra le varie lingue. Lo studio della linguistica si articola generalmente in varie sotto aree, diverse per oggetto di studio (fonetica: lo studio dei suoni usati nella comunicazione umana; fonologia: lo studio dei sistemi di suoni e delle loro regole di combinazione; morfologia: lo studio della struttura delle singole parole e dei composti lessicali; sintassi: lo studio delle strutture frasali composte da più parole; semantica: lo studio del significato delle parole e della loro combinazione in frasi; discorso: lo studio della semantica di sequenze coerenti di frasi, anche con parlanti multipli). Inoltre, tale studio può essere condotto con varie metodologie (linguistica teorica, psicolinguistica, linguistica dei corpus, neurolinguistica). Lo scopo di questo corso è quello di fornire i concetti e le metodologie di base per lo studio del linguaggio, dividendole secondo le aree tematiche appena menzionate. L'approccio seguito sarà prevalentemente quello della linguistica teorica di matrice generativa. Il corso si propone di stimolare un approccio attivo e partecipativo alla lezione, stimolando il "problem solving": gli studenti dovranno usare le abilità acquisite per risolvere vari problemi linguistici, o fare analisi sul campo, esercitandosi sulle lingue parlate nella classe, in modo da acquisire un senso concreto di cosa significhi "fare ricerca in linguistica". Gli studenti che hanno già un background in linguistica teorica generativa avranno modo di consolidare le loro competenze tramite esercizi più avanzati e/o attività concordate col docente.

Lezioni frontali, più una parte di analisi sul campo con resoconto scritto, e discussione di problemi linguistici. La frequenza e la partecipazione attiva al corso sono altamente raccomandate.

Modalità d'esame

La valutazione finale, espressa in 30esimi, sarà basata: Per un 30% sulla relazione sul compito di analisi sul campo (massimo 5 pagine) Per un 70% su un esame finale scritto, con domande multiple aperte o chiuse, volto a verificare la comprensione degli argomenti effettivamente trattati a lezione.

Testi di riferimento

Diapositive del corso (sul Moodle)Rodman, Hyams, Fromkin, "An Introduction to Language" (8a edizione o posteriore). Thomson Wadsworth.Materiali distribuiti a lezione (presi da vari testi) Lettura introduttiva raccomandata per studenti con zero esperienza di studi linguistici: David Adger: "Language Unlimited: The Science Behind Our Most Creative Power", Oxford University Press

Codice insegnamento 50869_650997_95849

Knowledge Graphs 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso mira a fornire allo studente gli strumenti, metodologie e tecnologie, necessarie per affrontare con successo e minimo sforzo il problema della costruzione di un Knowledge Graph (KG) Il corso è suddiviso in tre…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a fornire allo studente gli strumenti, metodologie e tecnologie, necessarie per affrontare con successo e minimo sforzo il problema della costruzione di un Knowledge Graph (KG) Il corso è suddiviso in tre parti. Una prima parte in cui si descrive lo stato dell'arte nello sviluppo dei knowledge graphs, problematiche, tipologie, linguaggi, standard e tool. Una seconda parte in cui verrà insegnata una metodologia di riferimento per lo sviluppo efficace ed effettivo di knowledge graph. Nella terza parte la metodologia verrà instanziata in un progetto di sviluppo di un knowledge graph.

Programma

Questo corso si focalizza sulla generazione di un Knowledge Graph (KG) partendo da contenuti per lo più esistenti in rete o in dataset non pubblici (possibilmente, anche dati personali opportunamente anonimizzati). Le principali aree coperte sono: un'introduzione estensiva allo stato dell';arte nello sviluppo di KGs, una metodologia generale per la generazione di KG, risorse linguistiche, ontologie e datasets in genere, tools e librerie necessarie per il riuso di risorse esistenti e per lo sviluppo di KGs. Questo è un corso con un forte contenuto hands-on, focalizzato su attività di laboratorio e sperimentazioni. Gli studenti dovranno sviluppare autonomamente le loro soluzioni. Le lezioni teoriche, ivi incluse le slide che verranno rese disponibili, vanno intese come introduttive e propedeutiche all'attività di apprendimento hands-on. Gli studenti sceglieranno (fra quelli disponibili) un problema da risolvere e dovranno generare un KG che lo risolve partendo dalle risorse disponibili, preferibilmente durante il corso. Data la natura del corso, è consigliata un'alta partecipazione e un coinvolgimento attivo degli studenti.

La parte centrale del corso sarà focalizzata sullo sviluppo di software e modelli software. Le tematiche e attività che saranno coperte saranno introdotte incrementalmente, durante tutta la durata del corso, immediatamente precedenti al loro uso. Questo lavoro sarà preceduto da una fase iniziale dove tutti i concetti, nozioni rilevanti verranno introdotti ed esemplificati.

Modalità d'esame

L'esame consisterà nello sviluppo di un knowledge graph e nella sua documentazione tramite metadati e documentazione testuale. Tutti i contenuti saranno pubblicati sul repository del corso e resi disponibili agli studenti degli anni futuri. La prova orale sarà opzionale e focalizzata sulla;eventuale chiarificazione di contenuti non chiari all'interno del sito consegnato come prova d'esame.

Testi di riferimento

Non ci sono testi di riferimento. Durante il corso verranno fornite delle slide che però, a causa della natura applicativa del corso, potranno non essere esaustive. Lo studente, con il supporto del docente, dovrà trovare in rete il materiale necessario. Le slides contengono citazioni al materiale rilevante ritrovabile in rete.

Codice insegnamento 50871_653244_97138

Language and Social Cognition 2° anno · 6 CFU · PSIC-01/B · 0 file

The course aims to provide students with an understanding of research on beliefs, language, and social cognition. It also contains a project-based component where students plan, develop and carry out an empirical…

Scheda dell'insegnamento

Obiettivi formativi

The course aims to provide students with an understanding of research on beliefs, language, and social cognition. It also contains a project-based component where students plan, develop and carry out an empirical research project in the area of social cognition. It will: develop the ability to integrate perspectives from cognitive psychology, psycholinguistics, computer science, and social cognition; introduce computational methods for studying word and sentence meaning, acquiescence bias, and fake news detection; introduce computational methods for studying issues related to modeling belief and belief revision in large language models; teach students how to develop and carry out collaborative research projects; By the end of the course, students will be able to: interpret primary and review literature on beliefs, language, and social cognition; explain how beliefs, negation, and metacognitive processes such as fluency shape behavior; describe basic computational approaches to modeling word and sentence meaning; analyze methods for investigating how word meaning is shared or diverges across individuals, groups, and languages.

Programma

Module 1: Language, Belief, and Negation What does it mean to understand?Thoughts and their opposition: negation and denialCognitive processing of beliefBelief and action: stereotypes, effects of processing fluency, and mental inoculationPsychology and computational modeling of fake news Module 2: Shared and Unshared Meaning in Word Representations Individual differences in language understanding among native speakersCross-linguistic differences in meaningComputational modeling of semantic variation Module 3 (~ 14 hours): Sycophancy and social-cognition research in the area of LLMs In this module students will develop and execute a research project studying LLM behavior and representationThe module is primarily developed in blended-learning mode based on online group meetings with the instructor

The course combines in-person frontal teaching (~ 28 hours) with synchronous and asynchronous online activities (~14 hours). Frontal lectures (mainly in the first part of the course) provide the conceptual and methodological background. Synchronous online activities consist primarily of small-group project meetings with the instructor via Zoom, and are dedicated to project definition, planning, progress review, and discussion of interim results. Asynchronous online activities (e-tivities) are conducted through Moodle and include submission of project plans and interim reports.

Modalità d'esame

Class project(30%) – Students, working in groups, will prepare and deliver a presentation on a selected topic related to the course themes.Oral exam (70%) – The oral exam will assess students’ understanding of the core concepts, methods, and debates covered in the course, as well as the content of their group project. Alternative option to the oral exam: Students may choose to write a seminar paper in place of the oral exam. Papers must be coordinated with the instructor during the course and may take the form of (i) a theoretical review, (ii) an experimental proposal or report, or (iii) a programming/modeling project directly related to the course content. Examples of seminar papers will be given on the course Moodle website.

Testi di riferimento

Thoughts and their opposition; negation and denial (Weeks 1–2) 1. Horn, L. (2001). *A natural history of negation*. CSLI. (pp. 45–89) – Mainly lecturer presentation, but students will be assigned parts of the chapter to present and discuss with guiding questions. 2. Cruse, D. A., & Togia, P. (1995). Towards a cognitive model of antonymy. *Lexicology, 1*(1), 113–141. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Horn, L. R. (2001). A natural history of negation. CSLI. (pp. 45–89) Cruse, D. A., & Togia, P. (1995). Towards a cognitive model of antonymy. Lexicology, 1(1), 113–141. NON REPERIBILE IN BIBLIOTECA The relationship between belief and comprehension (Weeks 3–10) Gilbert, D. T. (1991). How mental systems believe. *American Psychologist, 46*(2), 107–119.Hagoort, P., Hald, L., Bastiaansen, M., & Petersson, K. M. (2004). Integration of word meaning and world knowledge in language comprehension. *Science, 304*(5669), 438–441.Gilbert, D. T., Krull, D. S., & Malone, P. S. (1990). Unbelieving the unbelievable: Some problems in the rejection of false information. *Journal of Personality and Social Psychology, 59*(4), 601–613.Gilbert, D. T., Tafarodi, R. W., & Malone, P. S. (1993). You can’t not believe everything you read. *Journal of Personality and Social Psychology, 65*(2), 221–233.Hasson, U., Simmons, J. P., & Todorov, A. (2005). Believe it or not: On the possibility of suspending belief. *Psychological Science, 16*(7), 566–571.Newman, E. J., Garry, M., Bernstein, D. M., Kantner, J., & Lindsay, D. S. (2012). Nonprobative photographs (or words) inflate truthiness. *Psychonomic Bulletin & Review, 19*(5), 969–974.Fitzsimons, G. J., & Shiv, B. (2001). Nonconscious and contaminative effects of hypothetical questions on subsequent decision making. *Journal of Consumer Research, 28*(2), 224–238.Pandelaere, M., & Dewitte, S. (2006). Is this a question? Not for long: The statement bias. *Journal of Experimental Social Psychology, 42*(4), 525–531.Fazio, L. K., Rand, D. G., & Pennycook, G. (2019). Repetition increases perceived truth equally for plausible and implausible statements. *Psychonomic Bulletin & Review, 26*(5), 1705–1710.Gawronski, B., Deutsch, R., Mbirkou, S., Seibt, B., & Strack, F. (2008). When “just say no” is not enough: Affirmation versus negation training and the reduction of automatic stereotype activation. *Journal of Experimental Social Psychology, 44*(2), 370–377.Pennycook, G., & Rand, D. G. (2021). The psychology of fake news. *Trends in Cognitive Sciences, 25*(5), 388–402. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Gilbert, D. T. (1991). How mental systems believe. American psychologist, 46(2), 107–119. Hagoort, P., Hald, L., Bastiaansen, M., & Petersson, K. M. (2004). Integration of word meaning andworld knowledge in language comprehension. Science, 304 (5669), 438–441. Gilbert, D. T., Krull, D. S., & Malone, P. S. (1990). Unbelieving the unbelievable: some problems in the rejection of false information. Journal of personality and social psychology, 59(4), 601–613. Gilbert, D. T., Tafarodi, R. W., & Malone, P. S. (1993). You can’t not believe everything you read. Journal of personality and social psychology, 65(2), 221–233. Hasson, U., Simmons, J. P., & Todorov, A. (2005). Believe it or not: On the possibility of suspending belief. Psychological science : a journal of the American psychological society, 16(7), 566–571. Newman, E. J., Garry, M., Bernstein, D. M., Kantner, J., & Lindsay, D. S. (2012). Nonprobativephotographs (or words) inflate truthiness. Psychonomic bulletin & review, 19(5), 969–974. Fitzsimons, G. J., & Shiv, B. (2001). Nonconscious and contaminative effects of hypotheticalquestions on subsequent decision making. Journal of consumer research: an interdisciplinary quarterly, 28(2), 224–238. Pandelaere, M., & Dewitte, S. (2006). Is this a question? Not for long: The statement bias. Journal of experimental social psychology, 42(4), 525–531. Fazio, L. K., Rand, D. G., & Pennycook, G. (2019). Repetition increases perceived truth equally forplausible and implausible statements. Psychonomic bulletin & review, 26(5), 1705–1710. Gawronski, B., Deutsch, R., Mbirkou, S., Seibt, B., & Strack, F. (2008). When “just say no” is notenough: Affirmation versus negation training and the reduction of automatic stereotype activation. Journal of experimental social psychology, 44(2), 370–377. Pennycook, G., & Rand, D. G. (2021). The psychology of fake news. Trends in cognitive sciences, 25(5), 388–402. Individual Differences in Meaning (Weeks 10–14) Friendly, M. L., & Glucksberg, S. (1970). On the description of subcultural lexicons: A multidimensional approach. *Journal of Personality and Social Psychology, 14*(1), 55–64.De Deyne, S., Warner, S., & Perfors, A. (2023). Common words, uncommon meanings: Evidence for widespread gender differences in word meaning. In *Proceedings of the Annual Meeting of the Cognitive Science Society*.Bao, W., & Hasson, U. (2024). Identifying and interpreting non-aligned human conceptual representations using language modeling. *arXiv preprint arXiv:2403.06204*.Wang, X., & Bi, Y. (2021). Idiosyncratic tower of Babel: Individual differences in word-meaning representation increase as word abstractness increases. *Psychological Science, 32*(10), 1617–1635.Thompson, B., Roberts, S. G., & Lupyan, G. (2020). Cultural influences on word meanings revealed through large-scale semantic alignment. *Nature Human Behaviour, 4*(10), 1029–1038. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Friendly, M. L., & Glucksberg, S. (1970). On the description of subcultural lexicons: A multidimensional approach. Journal of personality and social psychology, 14(1), 55–64. De Deyne, S., Warner, S., & Perfors, A. (2023). Common words, uncommon meanings: Evidence for widespread gender differences in word meaning. In Proceedings of the Annual Meeting of the Cognitive Science Society. https://escholarship.org/uc/cognitivesciencesociety Bao, W., & Hasson, U. (2024). Identifying and interpreting non-aligned human conceptualrepresentations using language modeling. arXiv preprint arXiv:2403.06204. Wang, X., & Bi, Y. (2021). Idiosyncratic tower of Babel: Individual differences in word-meaningrepresentation increase as word abstractness increases. (1990). Psychological science : a journal of the American psychological society, 32(10), 1617–1635. Thompson, B., Roberts, S. G., & Lupyan, G. (2020). Cultural influences on word meanings revealedthrough large-scale semantic alignment. Nature human behaviour, 4(10), 1029–1038. Sycophancy in LLMs Differences in Meaning (project duration) Malmqvist, L. (2025). Sycophancy in large language models: Causes and mitigations. In *Intelligent Computing: Proceedings of the Computing Conference*. Springer. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Malmqvist, L. (2025). Sycophancy in large language models: Causes and mitigations. In Intelligent Computing: Proceedings of the Computing Conference. Springer

Codice insegnamento 50869_650988_94102

Optimisation and Learning for Robot Control 2° anno · 6 CFU · IINF-04/A · 0 file

This course focuses on control of robotic systems, with special attention to numerical optimal control and reinforcement learning. After reviewing the basic principles of robot modeling and numerical optimization,…

Scheda dell'insegnamento

Obiettivi formativi

This course focuses on control of robotic systems, with special attention to numerical optimal control and reinforcement learning. After reviewing the basic principles of robot modeling and numerical optimization, students will learn different control techniques, from the simplest and most well-known, to the most recent and advanced. Methods will be first studied in theory, and then implemented in simulation (with the Python language) to gain practical experience. Applications will focus on industrial manipulators, wheeled robots, and legged robots, but the same methods could be also applied to flying and underwater robots. After completing the course, students will be able to: - understand the working principles of several control algorithms for robotic systems - choose the appropriate approach(es) to control a specific system for a given target application - implement, tune, and test control algorithms with the Python language

Programma

The course includes approximately 32 hours of lectures (program below) and 16 hours of programming exercises. # Reactive Control Review of robot kinematics, Jacobian, statics, Lagrangian dynamicsJoint motion control: PID, inverse dynamicsTask-space motion controlQuadratic-Programming based control # Optimal Control Introduction to Nonlinear Constrained OptimizationGlobal vs local optimal control approachesDirect methods: single shooting, multiple shooting and collocationNumerical integration methodsModel Predictive Control: recursive feasibility, stabilityApplication: unicycle avoiding obstacles with circular and polygonal shapesApplication: minimum-time reaching with a robot manipulator # Reinforcement Learning Markov Decision ProcessesDynamic Programming: Value and Policy iterationPrediction with Monte Carlo and Temporal Difference learningModel-Free Control: Q-learning, SARSAValue function approximationDeep Q-Network

Theoretical lessons will be mainly delivered through the use of the blackboard. Laboratory sessions will focus on the use of the Python language to implement and tune control algorithms in simulation. Attendance is strongly recommended.

Modalità d'esame

To successfully pass the exam, students have to submit two (optional) assignments during the semester, plus a final (mandatory) larger assignment before the oral exam. In the oral exam, students are evaluated on their ability to: - describe/explain, using appropriate technical language, the theory of the different algorithms presented during the classes; - identify the appropriate approach to implement for a given target application; - solve exercises related to the control of a robotic system; - present and defend their project/assignment.

Testi di riferimento

No reference textbook is available. The material provided by the teacher will serve as reference. Several useful complementary resources are available online: - Springer Handbook of Robotics - O. Khatib, B. Siciliano - Rigid-Body Dynamics Algorithms - Roy Featherstone - Convex Optimization - Stephen P. Boyd and Lieven Vandenberghe - Numerical Optimization - Jorge Nocedal and Stephen Wright - Modern Robotics: Mechanics, Planning, and Control - Kevin M. Lynch and Frank C. Park - Dynamic programming and optimal control - Dimitri P. Bertsekas - Algorithms for Reinforcement Learning - Csaba Szepesvari - Reinforcement Learning and Optimal Control - Dimitri P. Bertsekas LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Siciliano, B., & Khatib, O. (2016). Springer handbook of robotics (2. ed.). Springer. Featherstone, R. (2008). Rigid body dynamics algorithms. Springer. Boyd, S. P., & Vandenberghe, L. (2004). Convex optimization. Cambridge university press. Nocedal, J., & Wright, S. J. (2006). Numerical optimization (2nd ed.). Springer. Lynch, K. M., & Park, F. C. (2017). Modern robotics : mechanics, planning, and control. Cambridge University Press. Bertsekas, D. P. (2012). Dynamic programming and optimal control (4th ed.). Athena scientific. Szepesvári, C. (2010). Algorithms for reinforcement learning. Morgan & Claypool. Bertsekas, D. P. (2019). Reinforcement learning and optimal control. Athena scientific.

Codice insegnamento 50871_650982_96199

Robot Planning and its application 2° anno · 6 CFU · IINF-05/A · 0 file

In questo corso, gli studenti svilupperanno un'applicazione robotica completa con una forte enfasi sulla pianificazione del movimento. Il loro lavoro si concentrerà su casi d'uso pratici in cui i robot devono…

Scheda dell'insegnamento

Obiettivi formativi

In questo corso, gli studenti svilupperanno un'applicazione robotica completa con una forte enfasi sulla pianificazione del movimento. Il loro lavoro si concentrerà su casi d'uso pratici in cui i robot devono completare in modo efficiente i compiti, evitando ostacoli e aree pericolose nel minor tempo possibile. L'applicazione presenterà un sistema multi-agente, che potrebbe coinvolgere la coordinazione o la competizione tra gli agenti. Contrariamente a una tipica competizione robotica, gli studenti saranno anche tenuti a discutere le basi teoriche dei metodi scelti. Al termine di questo corso, gli studenti avranno una conoscenza di base dei principali approcci alla pianificazione del movimento, saranno esperti nell'identificare le soluzioni ottimali dalla letteratura scientifica e possederanno una padronanza delle tecniche di sviluppo che traducono idee innovative in codice robusto e ben fondato.

Programma

Introduzione al problema della Pianificazione del Movimento Fondamenti matematici per robot mobili Fondamenti matematici sui metodi di Ottimizzazione Ottimizzazione ConvessaOttimizzazione Intera e Mista-Intera Metodi di ottimizzazione su grafi Controllo Ottimo e pianificazione del movimento senza vincoli Introduzione al controllo ottimoIl problema di Dubins: enunciato e soluzione Rilevamento di ostacoli e collisioni Pianificazione del movimento con ostacoli Metodi basati su celleMetodi basati su campionamentoCampi Potenziali Elementi di teoria dei giochi Uso del framework di programmazione ROS Alcune idee dalla pianificazione dei compiti Lavoro di laboratorio sul progetto

Il corso combinerà lezioni teoriche e pratiche per costruire le conoscenze fondamentali. Successivamente, agli studenti verrà assegnato il lavoro di progetto. Tutte le fasi del progetto saranno condotte in aula con l'assistenza diretta di un docente. Inoltre, verranno riservate ore di laboratorio dedicate al lavoro autonomo degli studenti, consentendo un'esplorazione e un'applicazione più approfondita dei concetti.

Modalità d'esame

L'apprendimento sarà valutato tramite la valutazione e discussione dei lavori di progetto. L'assegnazione specifica del problema e le tecniche da utilizzare saranno fornite durante le lezioni iniziali. Gli studenti sono tenuti a consegnare una relazione scritta, il codice sorgente completo e annotato, e una presentazione. La presentazione dovrà concentrarsi sulla giustificazione delle scelte algoritmiche nel contesto dei compromessi discussi durante il corso.

Testi di riferimento

Lo studente riceverà una selezione di materiali di studio utili per sviluppare la sua soluzione. Un riferimento utile è il libro "Planning Algorithms" di Stephen Lavalle, disponibile online in formato gratuito.

Codice insegnamento 50871_650976_94680

Semantics and Cognition 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso ha due obiettivi. Il primo è fornire una padronanza operativa dei metodi computazionali oggi impiegati nello studio del significato tra linguistica, intelligenza artificiale e scienze cognitive — semantica…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha due obiettivi. Il primo è fornire una padronanza operativa dei metodi computazionali oggi impiegati nello studio del significato tra linguistica, intelligenza artificiale e scienze cognitive — semantica formale, apprendimento mediante reti neurali, modelli bayesiani e di apprendimento iterato, teoria dell'informazione, misure di complessità — introdotti attraverso un singolo dibattito sostanziale anziché come rassegna. Il secondo è accompagnare studenti e studentesse lungo un ciclo completo di ricerca interdisciplinare: formulare una domanda, progettare uno studio per rispondervi, verificarne la fattibilità su piccola scala e presentarne il risultato a un pubblico che non condivide la stessa formazione. Al termine del corso studenti e studentesse saranno in grado di: 1. enunciare che cosa sia un universale semantico e spiegare che cosa conterebbe come sua spiegazione; 2. ricostruire una spiegazione computazionale di un dato universale e individuarne i punti di scelta — lo spazio delle lingue considerate, la misura di apprendibilità o di costo comunicativo, la nozione di ottimalità — precisando che cosa la spiegazione stabilisce e che cosa non stabilisce; 3. confrontare spiegazioni basate sull'apprendibilità e spiegazioni basate sull'efficienza comunicativa relative allo stesso fenomeno e valutarne le evidenze; 4. leggere un articolo di ricerca redatto in un linguaggio disciplinare non familiare, presentarlo a colleghi e colleghe provenienti da altri ambiti e guidarne la discussione critica; 5. formulare una domanda di ricerca originale e incrementale sul significato e redigerla sotto forma di breve proposta di ricerca; 6. progettare e condurre un piccolo studio pilota che dimostri la fattibilità della ricerca proposta e riferirne gli esiti; 7. lavorare in un gruppo interdisciplinare, ripartendo il lavoro tra compiti formali, computazionali e sperimentali.

Programma

Ogni lingua ha una parola che significa tutti. Nessuna lingua ha una singola parola che significhi non tutti. Ogni lingua ha parole per alcuni e ogni; nessuna ha un determinante che significhi un numero pari di. Regolarità di questo tipo sono universali semantici: vincoli sul modo in cui le lingue del mondo suddividono il significato. Perché dovrebbero valere? Nell'ultimo decennio la semantica, l'intelligenza artificiale e le scienze cognitive sono convergute su un modo di rispondere a questa domanda, e le risposte sono computazionali. Le proposte principali sostengono che i significati lessicalizzati dalle lingue siano quelli più facili da apprendere, oppure quelli che rendono la comunicazione più efficiente. Mettere alla prova una tesi simile significa costruire qualcosa — una rete neurale che apprende lingue artificiali, una simulazione della trasmissione linguistica tra generazioni, una misura della complessità espressiva, un modello teorico-informazionale di parlante e ascoltatore — e confrontare poi le lingue che sarebbero potute esistere con quelle che esistono.Il corso segue il manoscritto di Computational Explanations of Semantic Universals (Cambridge Elements in Semantics and Pragmatics), che il docente sta completando insieme a Shane Steinert-Threlkeld, e affianca a ciascun tema articoli di ricerca primari presentati da studenti e studentesse. Programma indicativo: Che cos'è un universale semantico: universali architetturali, espressivi e di proprietà lessicali; la monotonia dei quantificatori come esempio guida; i gradi di universalità.Che cosa rende computazionale una spiegazione: lo spazio delle lingue possibili, le misure di apprendibilità e di costo, le nozioni di ottimalità; come distinguere una spiegazione robusta da una fragile.Facilità di apprendimento: apprendimento supervisionato negli esseri umani e nelle macchine; monotonia e grado di monotonia; apprendimento iterato ed evoluzione del significato.Convessità: i termini di colore e oltre; la quantità; la veridicità dei predicati responsivi.Comunicazione efficiente: misurare la complessità e il costo comunicativo; i quantificatori.Pronomi indefiniti; i modali e l'indipendenza tra forza e flavour; l'information bottleneck.Dove le spiegazioni falliscono: la conservatività come possibile controesempio; problemi aperti. I metodi vengono introdotti da zero via via che si rendono necessari. Non si presuppone alcuna conoscenza pregressa di nessuno di essi.

Il corso si articola in tre filoni paralleli. Le lezioni introducono il quadro teorico e le due famiglie di spiegazione, seguendo il manoscritto del libro. Le presentazioni di articoli seguono ciascuna lezione: uno studente o una studentessa presenta un articolo di ricerca primario sul tema, un secondo o una seconda funge da discussant e guida le domande, e l'intera classe annota preventivamente la lettura su Perusall. I progetti di ricerca attraversano l'intero semestre e si svolgono in gruppi di tre o quattro persone. Il progetto costituisce il lavoro principale del corso e prevede due prodotti: una breve proposta di ricerca su una questione aperta relativa agli universali semantici e un piccolo studio pilota che ne verifichi la fattibilità. Il pilota è deliberatamente minimo — un notebook, un dataset, un mini-esperimento oppure una comparazione codificata della letteratura, con un'unica figura o tabella. Serve a mostrare che la ricerca proposta potrebbe essere realizzata, non a produrre un risultato pubblicabile. I progetti vengono presentati all'intera classe nell'ultima settimana. Ogni presentazione si apre con tre minuti rivolti a un pubblico non specialista: senza notazione, senza gergo, senza presupporre alcuna conoscenza pregressa. Saper dire qual è la propria domanda e perché è importante a chi non condivide la stessa formazione è parte di ciò che il corso insegna. I gruppi scelgono il percorso di progetto più adatto alla propria composizione: Modellizzazione — simulare l'apprendimento o l'evoluzione di un piccolo insieme di lingue artificiali (richiede programmazione) Misurazione — calcolare una misura di complessità o di efficienza su un insieme di espressioni (richiede programmazione; codice di partenza fornito) Esperimento — condurre un piccolo studio di apprendimento di lingue artificiali con pochi partecipanti (non richiede programmazione) Analisi interlinguistica — verificare un universale proposto su dati tipologici o di corpus (non richiede programmazione) Rassegna critica — mappare le spiegazioni esistenti su una griglia comune: quale universale, quale spazio di lingue possibili, quale misura, quale nozione di ottimalità — e individuarne le lacune (non richiede programmazione) Modelli linguistici — sondare un modello linguistico alla ricerca di un universale candidato (richiede poca programmazione) Modalità di erogazione. L'insegnamento è erogato in modalità blended nell'ambito del progetto Blended Learning dell'Università di Trento. Delle 42 ore di didattica, 30 ore sono erogate in presenza e 12 ore a distanza. Le ore online comprendono brevi video asincroni sui prerequisiti di base, corredati di quiz di autovalutazione; tre incontri programmati di supervisione dei progetti, svolti separatamente con ciascun gruppo su Zoom; e le presentazioni finali dei progetti, svolte con l'intera classe su Zoom nell'ultima settimana del corso. Non è prevista didattica erogativa online sincrona. Il calendario dettagliato, con l'indicazione delle attività in presenza e a distanza e di tutte le scadenze relative ai progetti, è pubblicato sulla pagina Moodle dell'insegnamento all'inizio del corso.

Modalità d'esame

Non è previsto un esame scritto. La valutazione è continua e si basa su quanto studenti e studentesse producono durante il corso. Progetto di ricerca di gruppo — 60%. La proposta di ricerca scritta (40%) e lo studio pilota con la relativa relazione (20%). Consegna all'inizio di febbraio. Presentazione di un articolo e ruolo di discussant — 30%. Ogni studente o studentessa presenta un articolo di ricerca e funge da discussant per un altro. Partecipazione alla discussione online e in aula — 10%. Annotazione delle letture su Perusall, contributo ai forum di gruppo e partecipazione agli incontri di supervisione del progetto. Il progetto di gruppo è discusso individualmente in una prova orale successiva alla consegna. La discussione accerta la padronanza individuale del lavoro e il contributo apportato da ciascuno e ciascuna; il voto individuale può differire da quello del gruppo. Le proposte sono valutate in base a: se la domanda di ricerca è ben posta e realmente aperta; se il metodo proposto è effettivamente in grado di rispondervi; se il pilota fornisce evidenza concreta di fattibilità, riportando onestamente anche ciò che non ha funzionato; e se la proposta risulta comprensibile a chi provenga da un'altra disciplina — e i tre minuti iniziali per non specialisti nella presentazione finale ne costituiscono una verifica diretta. Le presentazioni sono valutate in base alla padronanza dell'articolo, alla qualità delle domande critiche sollevate e alla capacità di rendere accessibile al resto del gruppo una letteratura non familiare.

Testi di riferimento

Testo principale. S. Steinert-Threlkeld e J. Szymanik, Computational Explanations of Semantic Universals, Cambridge Elements in Semantics and Pragmatics (in preparazione). Il manoscritto è reso disponibile a studenti e studentesse attraverso la pagina del corso prima della pubblicazione. Articoli di ricerca. L'elenco delle letture primarie è pubblicato sulla pagina del corso e annotato collaborativamente su Perusall. Tutti gli articoli sono liberamente accessibili oppure forniti dal docente. Letture di orientamento facoltative. Per orientarsi prima dell'inizio del corso possono risultare utili: E. Gibson et al., "How efficiency shapes human language", Trends in Cognitive Sciences 23 (2019); e S. Kirby, "Culture and biology in the origins of linguistic structure", Psychonomic Bulletin & Review 24 (2017). Nessuna delle due è obbligatoria. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Gibson, E., Futrell, R., Piantadosi, S. T., Dautriche, I., Mahowald, K., Bergen, L., & Levy, R. (2019). How efficiency shapes human language. Trends in cognitive sciences, 23(5), 389–407 Kirby, S. (2017). Culture and biology in the origins of linguistic structure. Psychonomic bulletin & review, 24(1), 118–137.

Codice insegnamento 50869_653245_95803

Sensing Technologies and Data Processing 2° anno · 6 CFU · IINF-03/A · 0 file

This course provides basic concepts as well as design capabilities in the framework of sensing technologies and platforms, including remote sensing (from satellites, airborne, UAV and terrestrial observation…

Scheda dell'insegnamento

Obiettivi formativi

This course provides basic concepts as well as design capabilities in the framework of sensing technologies and platforms, including remote sensing (from satellites, airborne, UAV and terrestrial observation platforms), proximal sensing, in-situ sensing and their possible integration with other kinds of ancillary data. These technologies are presented in the the framework of different applications including environmental monitoring, climate change analysis, civil protection, infrastructure monitoring, surveillance, planetary exploration, automotive, robotics, etc. The course introduces sensing principles, methodologies, technologies and techniques that are fundamental for the design of adavanced systems with the last generation of sensors (optical, multispectral, hyperspectral, thermal, radar, lidar, etc). It describes the approach to the design and implementation of systems with respect to different applications and operative scenarios, including the design criteria for the choice of the sensors and the the system architecture. A part of the course is focused the the data analysis methods that should be used for the processing of the data acquired by sensors (also in a data fusion frameowrk). A large part of the course is developed in the Sensing Technology Laboratory where the students can develop experiments on the use of most of the sensing technologies considered.

Programma

1. Introduction to Sensing Systems and Related Technologies Background. Main components of advanced systems for i) environmental monitoring, ii) climate change analysis, iii) civil protection, iv) infrastructure monitoring, v) surveillance, vi) robotics; vii) automotive; viii) indoor monitoring; and ix) planetary exploration. Sensing technologies: remote sensing (from satellites, airborne and UAV platforms), proximal sensing, in-situ (ground) sensing, ancillary data and geographical information systems. Sensor networks and sensor web. Integrated Earth sensing. Data fusion. Data Assimilation. Taxonomy of sensors, systems and applications. 2. Sensors, Data Processing and Applications (Lectures in the Sensing Technology Laboratory) Basics concepts and technologies related to the acquisitions of data with different sensors. Experiments of data acquisition with real devices and instruments and related data processing. Examples of applications. The following topics will be addressed in the different laboratory sessions: • Session 1: Remote sensing imaging with UAV/Drones • Session 2: Multispectral, hyperspectral and TIR imaging sensors. • Sessions 3: Radar sensors • Sessions 4: Example of applicatons of radar sensors • Sessions 5: Lidar sensors and examples of applications • Sessions 6: Multisensor data analysis • Sessions 7: Analysis of multitemporal optical images • Sessions 8: Analysis of multitemporal SAR images • Sessions 9: Earth observation applications • Session 10: Planetary exploration applications • Session 11: Design and implementation of space missions • Session 12: Examples of management of real planetary missions (Science Operation Center of the RIME radar of the JUICE Mission of European Space Agency) 3. Techniques for the Analysis of Multitemporal Signals and Images Taxonomy of problems. Mutlitemporal data analysis and change detection techniques. Change detection in multispectral and SAR images; pre-processing chains; techniques for change detection: pixel-based techniques; context-sensitive techniques. Change detection in very high geometrical resolution optical and SAR images: radiometric and semantic changes; multiscale techniques. Detection of land-cover transitions. Analysis of long image time series. Criteria for the design of change detection techniques; challenges in change detection; example of complex application scenarios (e.g., emergency management in natural disasters). 4. Advanced Systems and Applications Analysis of requirements, relevant sensors and ancillary data, systems and technologies for the following families of applications: environmental monitoring; civil protection; infrastructure monitoring; surveillance; robotics; automotive; indoor monitoring; planetary exploration.

L'attività didattica comprende lezioni frontali, coadiuvate dall'uso di slide (circa 50% del corso). Esercitazioni in laboratorio (circa il 50% del corso) complementano le lezioni frontali con lo svolgimento di attività su sensori e piattaforme hardware e al calcolatore volte ad illustrare aspetti tecnici e problemi applicativi reali. Il materiale didattico (slide e dispense delle esercitazioni in aula) è reso disponibile sul sito del corso.

Modalità d'esame

L'esame consiste in una prova orale su tutto il programma del corso, valutata tra 0 e 30/30, volta a verificare l'apprendimento dei concetti legati alla progettazione di sistemi di telerilevamento avanzati e a valutare la capacità dello studente di esporre in modo critico quanto appreso durante le lezioni. Lo studente può scegliere come modalità alternativa alla prva orale di sostenere l'esame mediante lo svolgimento di un progetto relativo ai temi affrontati nel corso.

Testi di riferimento

Copy of the slides projected during the lectures of the course Material distributed during the lectures in the laboratory

Codice insegnamento 50872_650991_96617

Software Development for Collaborative Robotics 2° anno · 6 CFU · IINF-05/A · 0 file

I robot collaborativi sono sistemi robotici che operano in stretta connessione con l'uomo. Pertanto, devono soddisfare requisiti molto impegnativi in termini di sicurezza, prestazioni ed ergonomia. Inoltre, l'interazione…

Scheda dell'insegnamento

Obiettivi formativi

I robot collaborativi sono sistemi robotici che operano in stretta connessione con l'uomo. Pertanto, devono soddisfare requisiti molto impegnativi in termini di sicurezza, prestazioni ed ergonomia. Inoltre, l'interazione con l'uomo per l'esecuzione di compiti condivisi richiede alti livelli di flessibilità e adattabilità. In questo contesto, non sorprende che la componente software giochi un ruolo dominante nello sviluppo del sistema. Per soddisfare gli impegnativi requisiti sopra elencati, la qualità del componente software deve essere dei migliori standard disponibili nella pratica industriale odierna. In questo corso, lo studente entrerà in contatto con i più recenti progressi tecnologici della robotica collaborativa. Sceglierà un progetto nell'area con un livello di complessità tale da giustificare l'adozione di tecniche di programmazione all'avanguardia. Il tema specifico del progetto sarà scelto in base all'interesse del gruppo in una delle tre macro aree: salute, agricoltura di precisione e manifattura. Lo studente apprenderà: l'uso del framework di programmazione ROS 2;come progettare e sviluppare codice modulare, ben documentato e testato;l'uso avanzato del linguaggio di programmazione C++ nel contesto di ROS 2;l’uso del linguaggio di programmazione Python nel contest di ROS 2. Al termine dell’insegnamento, lo studente sarà in grado di: Sviluppare un’applicazione di robotica collaborativa che include la pianificazione e attuazione di interazione, moto e task del robot;Integrare aspetti di programmazione avanzata in C++ e Python che favoriscono la modularità e riusabilità del codice;Mantenere e gestire software in gruppo, che includa documentazione, testing, integrazione continua, con controllo di versione;Presentare e valorizzare in gruppo gli aspetti caratterizzanti del proprio lavoro.

Programma

Il corso fornirà le competenze necessarie per sviluppare un progetto di alta qualità nel campo della robotica collaborativa. I contenuti del corso sono i seguenti: Concetti fondamentali di robotica collaborativa;Sviluppo di software e simulazione utilizzando ROS 2;Gestione software in gruppo con controllo di versione;Documentazione, test e integrazione continua del software;Presentazione dei diversi temi del progetto;Sviluppo del progetto (attività di laboratorio).

L'insegnamento si baserà su: lezioni teoriche ed esercitazioni in aulasessioni pratiche in aula per lo sviluppo del progetto.

Modalità d'esame

Gli studenti formeranno gruppi di 2 persone a scelta (3 persone al massimo nel caso di numero dispari di studenti totali). Ogni gruppo sceglierà un progetto diverso in base all'interesse specifico dello studente (ad esempio, salute, manifattura, agricoltura di precisione) e dovrà sviluppare un’applicazione software che include vari aspetti di robotica collaborativa, dalla simulazione alla pianificazione e attuazione di interazione, moto e task. Alla fine del corso, ogni gruppo consegnerà il progetto che consiste nel codice sorgente completo e documentato caricato in una repository GitHub online messa a disposizione dal docente (50% della valutazione finale). Successivamente alla consegna del codice sorgente sarà fissata una presentazione orale (50% della valutazione finale) comune per tutti gli studenti, fissata nelle date dell’esame o comunque in una data che permetta al docente di visionare i progetti prima della presentazione degli studenti. La valutazione del contenuto teorico del corso sarà effettuata con qualche domanda orale durante la presentazione. Il docente si riserva la possibilità di richiedere una relazione scritta dove necessario. Gli studenti presenteranno il loro lavoro durante una sessione orale con il docente e gli assistenti didattici. Sia nella relazione, ma ancora di più nella presentazione, è richiesto di evidenziare le scelte più importanti alla base del progetto, spiegando come sono stati soddisfatti i diversi requisiti sulla qualità del software usando tecniche viste a lezione ed eventualmente altre incontrate nello sviluppo nel progetto.

Testi di riferimento

Il corso consiste in un insieme multidisciplinare di argomenti che convergono verso lo stesso obiettivo. Grosso modo possiamo identificare tre grandi aree: Il framework di sviluppo ROS2Sviluppo avanzato di software in C++Le migliori pratiche di progettazione e implementazione del software robotico Per quanto riguarda la prima area, raccomandiamo il libro: B. Stroustrup: “Programming Principles and Practices using C++ (Second Edition)” Per quanto riguarda la seconda area, c'è molto materiale open source online in internet. Se volete un libro, potete prendere in considerazione: Marco Matteo Bass: "A very informal journey through ROS2: Patterns, Anti-patterns, Frameworks, and Best Practices". Per la terza area, si faccia riferimento alle diapositive e alle registrazioni delle lezioni che verranno caricate di volta in volta nella pagina di Moodle del corso.

Codice insegnamento 50872_650989_96200

Studies on human behaviour 2° anno · 6 CFU · INFO-01/A · 0 file

Data science, comportamento umano e i confini della conoscenza artificiale Perché le persone si comportano in un certo modo? Questo corso interdisciplinare introduce lo studente allo studio della data science applicato…

Scheda dell'insegnamento

Obiettivi formativi

Data science, comportamento umano e i confini della conoscenza artificiale Perché le persone si comportano in un certo modo? Questo corso interdisciplinare introduce lo studente allo studio della data science applicato al comportamento umano, unendo competenze in sociologia, etica e informatica. Il corso è finalizzato all’apprendimento attraverso il fare: copre tutte le fasi della ricerca, dalla progettazione dell’esperimento alla raccolta, preparazione e analisi dei dati. Dopo una breve introduzione teorica, il corso consisterà nell’esecuzione di esperimenti del mondo reale, su grandi quantità di dati. Questo corso è strettamente correlato con il corso Social Dynamic Lab: sebbene non obbligatorio, è consigliato seguire entrambi. Competenze acquisite • sviluppare un disegno di progetto e una domanda di ricerca orientata al problema • progettare la raccolta dati tramite sensori, dati pubblici (aperti) e strumenti di indagine (questionari, test psicologici) • raccogliere dati “in the wild” con valutazioni ecologiche momentanee (EMA), metodo di campionamento dell’esperienza (ESM), test A/B e sensori indossabili • lavorare con fonti di dati eterogenee, identificare il rumore e pulire i dati • integrare, pre-elaborare e archiviare i dati, inclusi metadati e documentazione dell’esperimento • costruire modelli esplicativi e predittivi (statistica e machine learning) per lo studio del comportamento umano • rappresentare conoscenza strutturata tramite Knowledge Graph e comprenderne il ruolo nei sistemi di IA applicati al comportamento umano • comunicare i risultati di una ricerca in una relazione scritta e in una presentazione

Programma

Il corso ha una durata complessiva di 48 ore, articolate in 24 lezioni da 2 ore ciascuna. Le lezioni alternano momenti di teoria e metodologia a sessioni di laboratorio pratico, in una proporzione che si adatta di volta in volta alle dinamiche del gruppo e alle competenze dei partecipanti. Il corso è disegnato sia per gli studenti di Data Science sia per gli studenti di AI e introduce il partecipante al campo della Behavioural Data Science. Il programma si articola in tre parti principali, più un modulo introduttivo su Knowledge Graph e progetti di ricerca applicati. Raccolta dei dati La prima parte mira a introdurre i partecipanti al processo di raccolta dei dati. I partecipanti impareranno a: • sviluppare un disegno di progetto e una domanda di ricerca orientata al problema, fondamentali in quanto guidano le fasi successive del processo • progettare la raccolta dati tramite sensori e l’uso di dati pubblici (aperti) • progettare strumenti di indagine (questionari, test psicologici, ecc.) • raccogliere dati in natura, sia con approccio metodologico (valutazioni ecologiche momentanee - EMA, metodo di campionamento dell’esperienza - ESM, test A/B e disegni sperimentali), sia tramite sensori indossabili In questa parte del corso, i partecipanti saranno coinvolti in un’intensa attività di laboratorio e svilupperanno i propri strumenti di progettazione e raccolta dati. Una lezione sarà specificamente dedicata a DTraces, l’applicativo per smartphone sviluppato per la raccolta di dati EMA tramite sensori e somministrazione di time diary, e utilizzato come infrastruttura reale di raccolta dati anche nell’ambito del progetto VFS-AI. Etica della ricerca e tutela dei partecipanti Prima di raccogliere qualsiasi dato su persone reali, i partecipanti impareranno a redigere un protocollo di ricerca conforme ai principi etici della ricerca sui soggetti umani: richiesta di parere al comitato etico (IRB), redazione del modulo di consenso informato specifico per dati sensibili e continuativi (posizione GPS, dati fisiologici, risposte EMA), diritto di recesso del partecipante in qualsiasi momento e anonimizzazione o pseudonimizzazione dei dati identificativi. Particolare attenzione sarà dedicata alla gestione di dati potenzialmente identificativi come le tracce di geolocalizzazione, nel rispetto del GDPR. Preparazione e integrazione dei dati La seconda parte è dedicata alla preparazione e all’integrazione dei dati. I partecipanti impareranno a: • lavorare con diverse fonti di dati • identificare il rumore, pulire i dati e prepararli per l’analisi • integrare i dati, pre-elaborarli e archiviarli, inclusi gli aspetti relativi a dati leggibili dall’uomo e dalla macchina (metadati) e alla documentazione dell’esperimento I partecipanti saranno coinvolti in un’intensa attività di laboratorio per migliorare le loro conoscenze in materia di gestione, pulizia, preparazione e integrazione dei dati, su dati reali provenienti da raccolte precedenti. Analisi dei dati La terza parte è incentrata sull’analisi dei dati. In questa parte, i partecipanti apprenderanno modelli esplicativi e predittivi per studiare il comportamento umano, con particolare attenzione ai modelli multilivello (multilevel/mixed-effects models) e alle tecniche per serie temporali intensive, adatti alla natura gerarchica e longitudinale dei dati EMA/ESM (osservazioni ripetute nel tempo e annidate nei partecipanti), oltre a modelli di apprendimento automatico più generali. I partecipanti saranno coinvolti in un’intensa attività di laboratorio per migliorare le loro conoscenze sull’abbinamento di problemi di ricerca orientati agli oggetti con modelli statistici avanzati e di apprendimento automatico. Knowledge Graph e il progetto VFS-AI Il corso include un modulo introduttivo (1-2 lezioni), rivolto a tutti i partecipanti, sui Knowledge Graph (KG): cosa sono, come rappresentano la conoscenza strutturata e perché sono sempre più centrali nei sistemi di intelligenza artificiale applicati allo studio del comportamento umano. Come esempio applicato, verrà presentato il Quality Knowledge Graph (Q-KG) al centro del progetto di ricerca VFS-AI (Virtual Field Supervisor — AI), un sistema pensato per governare in tempo reale la qualità dei dati nelle raccolte longitudinali mobili (EMA, sensori indossabili, dati GPS). Gli studenti interessati ad approfondire i Knowledge Graph e a contribuire, anche con lo sviluppo di codice, al progetto VFS-AI sono invitati a seguire il corso di Knowledge Graph del prof. Giunchiglia, per acquisire le competenze avanzate necessarie a un eventuale coinvolgimento nel progetto. Il contesto: cos’è la Behavioural Data Science La Behavioural Data Science è un campo nuovo, emergente e interdisciplinare che combina le tecniche delle scienze comportamentali — psicologia, economia, sociologia — con approcci computazionali provenienti dall’informatica, dall’intelligenza artificiale, dalla statistica, dall’ingegneria incentrata sui dati e dalla matematica, al fine di modellare, comprendere e prevedere meglio il comportamento umano. Emerge come risposta diretta alla necessità di studiare il comportamento “in natura”, al di fuori degli ambienti “sterili” di laboratorio, e aiuta a creare modelli e algoritmi di previsione migliori. Come afferma l’Alan Turing Institute, “combinando l’IA, la scienza dei dati e la scienza comportamentale, saremo in grado di sviluppare metodologie e approcci che aiuteranno città, aziende, enti di beneficenza e singoli individui a capire meglio perché prendono le decisioni che prendono e come possono ottimizzare il loro comportamento per ottenere migliori risultati economici e sociali”. La Behavioural Data Science incorpora tre importanti filoni: il comportamento umano (strumenti metodologici da psicologia, teoria delle decisioni e scienze comportamentali, arricchiti dalle tecniche della scienza dei dati), il comportamento algoritmico (metodi per spiegare e prevedere il comportamento delle macchine e degli algoritmi di IA, che presentano a loro volta regolarità e distorsioni comportamentali) e il comportamento dei sistemi (modellazione di sistemi complessi, reti, mercati e differenze culturali in un’ampia varietà di contesti). Questo corso è pensato per essere utile sia agli studenti di Data Science sia a quelli di IA e Informatica: arricchisce il background di AI/CS con spunti tratti dalla teoria delle decisioni e dalla scienza comportamentale, risultando particolarmente utile quando ci si concentra su questioni di spiegabilità e su approcci human-in-the-loop.

L’obiettivo del corso è il fare: grande attenzione sarà dedicata al lavoro individuale e di gruppo. Il corso prevede sia lezioni frontali sia attività pratiche tenute in laboratorio, alternate lungo le 24 lezioni da 2 ore. L’idea alla base di questo corso è che gli studenti facciano la maggior parte del lavoro durante il corso (fino a dicembre), così da facilitare la possibilità di sostenere l’esame già al termine del corso. Per questi motivi, il corso fonderà attività teoriche e pratiche sotto la supervisione del docente.

Modalità d'esame

Per l’esame lo studente dovrà condurre un’analisi originale su un set di dati ad elevata complessità e scrivere una relazione di 3000 parole di commento ai risultati. Il tipo di dati da usare dovrà essere concordato con il docente del corso. La valutazione sarà effettuata sul lavoro individuale, di gruppo, sul rapporto di ricerca e sulla presentazione finale del lavoro. Ulteriori informazioni sull’esame saranno fornite alla prima lezione del corso.

Testi di riferimento

Le informazioni bibliografiche saranno comunicate durante il corso. i non frequentanti potranno contattare il docente per maggiori informazioni.

Codice insegnamento 50871_650980_94843

Thesis 2° anno · 24 CFU · 0 file
Trends and Applications of Computer Vision 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso mira a presentare agli studenti gli sviluppi più recenti nel campo della visione artificiale. A tal fine, i docenti introdurranno una selezione di argomenti altamente ricercati, anche attraverso esperienze…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a presentare agli studenti gli sviluppi più recenti nel campo della visione artificiale. A tal fine, i docenti introdurranno una selezione di argomenti altamente ricercati, anche attraverso esperienze pratiche ad hoc e discussioni aperte su articoli scientifici pertinenti. Al termine del corso, gli studenti avranno acquisito le basi teoriche e le implicazioni pratiche degli argomenti trattati. Attraverso un'attività basata su un progetto, gli studenti approfondiranno un argomento scelto, sul quale acquisiranno conoscenze approfondite ed esperienza pratica con strumenti tecnici. In questo contesto, gli studenti svilupperanno le loro competenze scientifiche (ad esempio, effettuare una ricerca bibliografica su un determinato argomento, valutare i principi e i limiti dei singoli approcci), nonché le competenze trasversali nella presentazione scritta e orale.

Programma

Il corso introdurrà i concetti chiave, discuterà gli approcci tecnici e le questioni aperte su due tendenze principali nella visione artificiale, Vision and Language (ad esempio, il riconoscimento composizionale) e Multimedia Forensics (ad esempio, l'autenticazione di immagini/video, il rilevamento dei deepfake). In questo contesto, i docenti presenteranno argomenti selezionati sulla base di recenti articoli pubblicati nelle principali conferenze e riviste di visione artificiale. Sono previste anche lezioni tenute da esperti esterni invitati. In particolare, per l'area di Multimedia Forensics, le lezioni tratteranno argomenti come: Source identificationTampering detectionDeepfake detectionAdversarial forensicse per l'area Vision and Language: Large Vision-Language modelsGeneralized zero/few-shot learningCompositional recognitionBias in visual modelsMachine unlearningVisual programming

Le attività didattiche comprendono lezioni frontali supportate dall'uso di diapositive, che illustrano gli argomenti emergenti nei campi Vision and Language e Multimedia Forensics. L'esame finale verterà su un argomento specifico scelto di comune accordo con i docenti; gli studenti presenteranno i vantaggi e gli svantaggi dell'insieme delle tecniche analizzate, affrontando questioni quali la replicabilità dei risultati e dei set di dati. Lo sviluppo del progetto comporterà fasi intermedie in cui gli studenti discuteranno il proprio lavoro in forma scritta e orale.

Modalità d'esame

La valutazione consisterà in valutazioni intermedie sugli argomenti del corso e sull'attività progettuale dello studente, che comprenderanno brevi presentazioni orali e relazioni scritte. In questa sede lo studente commenterà l'importanza dell'idea, le principali soluzioni disponibili, l'implementazione, i casi d'uso, ecc. Il voto finale è espresso in trentesimi, con un voto massimo di 30/30. I docenti decideranno di assegnare la lode come elemento distintivo dell'eccellenza del lavoro.

Testi di riferimento

Le lezioni si basano su recenti articoli di ricerca pubblicati in occasione di importanti conferenze/riviste di Computer Vision e Signal Processing. Le slide saranno messe a disposizione degli studenti.

Codice insegnamento 50871_651003_94676

Foundations of Human-AI Collaboration 6 CFU · ING-INF/05 · 0 file
Fundamentals of Artificial Intelligence 1° semestre · 12 CFU · ING-INF/05 · 0 file
Human-Centric AI 6 CFU · ING-INF/05 · 0 file

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.