Corso di laurea

Computer Engineering for intelligent Systems

Università degli Studi di Verona · 5 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

Computer architectures and programming for intelligent systems 1° anno · 6 CFU · IINF-05/A · 0 file

Al termine dell’insegnamento lo studente sarà in grado di: - analizzare le caratteristiche delle architetture di calcolo per sistemi intelligenti, con particolare riferimento alle piattaforme eterogenee; - selezionare…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell’insegnamento lo studente sarà in grado di: - analizzare le caratteristiche delle architetture di calcolo per sistemi intelligenti, con particolare riferimento alle piattaforme eterogenee; - selezionare tecniche avanzate di programmazione software in funzione dei requisiti funzionali ed extra-funzionali dell’applicazione; - valutare prestazioni, correttezza, consumo energetico ed efficienza energetica delle soluzioni implementate; - utilizzare strumenti di profiling e analisi delle prestazioni per individuare colli di bottiglia e opportunità di ottimizzazione; - confrontare diversi modelli di sviluppo software avanzato e scegliere quello più adeguato al caso d’uso; - definire strutture di codice e scelte architetturali coerenti con la piattaforma di destinazione e con il contesto applicativo.

Programma

Teoria: -) Intro to advanced computer architectures. -) Parallel programming models and programming models for programmable edge devices. -) Performance measurements and analysis, Amdhal law, metrics. -) Power consumption and energy efficiency: programming models -) Data-level parallelism: GPU e CPU-iGPU architectures -) Pipeline: basic and advanced concepts -) Instruction-level parallelism (ILP). -) Branch prediction, static scheduling and speculation. -) Memory hierarchy: basic and advanced concepts -) Advanced techniques for cache performance optimization. -) Thread-level parallelism (TLP). -) Edge computing and Deep Learning at the edge Lab: -) Programming heterogeneous architectures (CPU-iGPU) -) Parallel compilers for multi-core architectures -) CNN-based inference and transfer learning at the edge -) Containerization and orchestration

Modalità d'esame

Scritto: esercizi a risposta aperta (tempo totale 2 ore)
Le/gli studentesse/studenti con disabilità o disturbi specifici di apprendimento (DSA), che intendano richiedere l'adattamento della prova d'esame, devono seguire le indicazioni riportate QUI

Testi di riferimento

Vai alla bibliografia Visualizza la bibliografia con Leganto, strumento che il Sistema Bibliotecario mette a disposizione per recuperare i testi in programma d'esame in modo semplice e innovativo.

Codice insegnamento 4S012351

Data management and machine intelligence 1° anno · 12 CFU · IINF-05/A · 0 file

Al termine dell’insegnamento lo studente sarà in grado di: - progettare e gestire sistemi di dati non relazionali, basati su modelli semi-strutturati e NoSQL, anche in presenza di dati provenienti da sensori e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell’insegnamento lo studente sarà in grado di: - progettare e gestire sistemi di dati non relazionali, basati su modelli semi-strutturati e NoSQL, anche in presenza di dati provenienti da sensori e dispositivi distribuiti; - integrare dati eterogenei e gestire dimensioni temporali e spaziali in sistemi informativi complessi; - progettare e interrogare basi di dati non tradizionali utilizzando strumenti e paradigmi appropriati; - comprendere e applicare i fondamenti delle reti neurali profonde, inclusi architetture, funzioni di attivazione e algoritmi di ottimizzazione; - progettare, addestrare e valutare modelli di deep learning per problemi di visione artificiale, dati sequenziali e linguaggio naturale; - preparare e trasformare i dati per l’addestramento, applicando tecniche di preprocessing e data augmentation; - selezionare architetture neurali e strategie di apprendimento in funzione del problema e dei dati disponibili; - utilizzare framework di deep learning (es. TensorFlow, PyTorch) per implementare e validare modelli; - interpretare i risultati dei modelli, considerando anche aspetti di spiegabilità e affidabilità; - valutare criticamente le soluzioni adottate in relazione a prestazioni, qualità dei dati e contesto applicativo.

Programma

Al termine dell’insegnamento lo studente sarà in grado di: - progettare e gestire sistemi di dati non relazionali, basati su modelli semi-strutturati e NoSQL, anche in presenza di dati provenienti da sensori e dispositivi distribuiti; - integrare dati eterogenei e gestire dimensioni temporali e spaziali in sistemi informativi complessi; - progettare e interrogare basi di dati non tradizionali utilizzando strumenti e paradigmi appropriati; - comprendere e applicare i fondamenti delle reti neurali profonde, inclusi architetture, funzioni di attivazione e algoritmi di ottimizzazione; - progettare, addestrare e valutare modelli di deep learning per problemi di visione artificiale, dati sequenziali e linguaggio naturale; - preparare e trasformare i dati per l’addestramento, applicando tecniche di preprocessing e data augmentation; - selezionare architetture neurali e strategie di apprendimento in funzione del problema e dei dati disponibili; - utilizzare framework di deep learning (es. TensorFlow, PyTorch) per implementare e validare modelli; - interpretare i risultati dei modelli, considerando anche aspetti di spiegabilità e affidabilità; - valutare criticamente le soluzioni adottate in relazione a prestazioni, qualità dei dati e contesto applicativo.

Codice insegnamento 4S012352

Dynamic systems 1° anno · 6 CFU · IINF-04/A · 0 file

Al termine dell’insegnamento lo studente sarà in grado di: - modellare sistemi dinamici lineari e non lineari nella rappresentazione di stato, in tempo continuo e discreto; - analizzare proprietà strutturali dei sistemi,…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell’insegnamento lo studente sarà in grado di: - modellare sistemi dinamici lineari e non lineari nella rappresentazione di stato, in tempo continuo e discreto; - analizzare proprietà strutturali dei sistemi, con particolare riferimento a raggiungibilità, osservabilità e stabilità; - utilizzare strumenti di analisi per la sintesi di controllori e osservatori; - progettare controllori a retroazione di stato e osservatori asintotici; - applicare la teoria della stabilità di Lyapunov all’analisi dei sistemi dinamici lineari e non lineari; - definire specifiche tecniche per il progetto di sistemi di controllo; - valutare la coerenza tra requisiti, modello e strategia di controllo adottata.

Programma

Modelli di stato: - Modelli AR, MA, ARMA - Rappresentazione Ingresso-Stato-Uscita - Definizione di stato, causalità, sistemi algebricamente equivalenti - Mappa di aggiornamento dello stato e dell’uscita - Matrice esponenziale e sue proprietà - Forma canonica di Jordan, polinomio caratteristico, molteplicità algebrica, molteplicità geometrica - Matrice di transizione dello stato, potenza ed esponenziale dei miniblocchi di Jordan - Modi, carattere dei modi, stabilità semplice/asintotica/BIBO - Legame tra la rappresentazione di stato e la trasformata di Laplace/Zeta - Funzione di trasferimento, autovalori e poli Stabilità dei modelli di stato: - Stato di equilibrio - Stabilità degli stati di equilibrio - Criterio di stabilità di Lyapunov - Equazione di Lyapunov - Linearizzazione e criterio ridotto di Lyapunov Raggiungibilità - Concetti generali, Gramiano di raggiungibilità - Controllo nello spazio di stato - Forma standard di raggiungibilità, forma canonica di controllo - Criterio PBH per la raggiungibilità - Retroazione dallo stato Osservabilità - concetti generali, Gramiano di osservabilità - Stima dello stato (catena aperta e catena chiusa) - Forma standard di osservabilità, forma canonica di osservazione - Criterio PBH per l’osservabilità - Dualità

Modalità d'esame

L'esame consisterà in una prova scritta sugli argomenti dell'insegnamento. La prova conterrà quesiti sotto forma di domande teoriche e di esercizi dove sarà richiesto di applicare le tecniche e le metodologie spiegate a lezione. Ogni quesito contribuirà al punteggio totale in trentesimi secondo una metrica additiva che verrà specificata nel testo dell'esame. Sia la parte teorica sia quella sugli esercizi devono essere sufficienti. Se lo scritto è sufficiente (>18), è possibile richiedere una prova orale che farà media con la prova scritta.
Le/gli studentesse/studenti con disabilità o disturbi specifici di apprendimento (DSA), che intendano richiedere l'adattamento della prova d'esame, devono seguire le indicazioni riportate QUI

Codice insegnamento 4S009000

Healthcare intelligent systems 1° anno · 12 CFU · IBIO-01/A · 0 file

Al termine dell’insegnamento lo studente sarà in grado di: - descrivere e analizzare le componenti software e architetturali di un sistema informativo sanitario; - analizzare standard per la classificazione e lo…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell’insegnamento lo studente sarà in grado di: - descrivere e analizzare le componenti software e architetturali di un sistema informativo sanitario; - analizzare standard per la classificazione e lo scambio dei dati sanitari, flussi di lavoro, aspetti di sicurezza, privacy e gestione dei dati; - progettare sistemi informativi sanitari complessi in funzione di requisiti applicativi; - integrare pipeline di gestione dei dati, API e modelli di intelligenza artificiale utilizzando standard sanitari e nel rispetto della normativa vigente; - definire dominio applicativo, use case, standard e strutture dati a partire da un executive summary; - sviluppare un prototipo di sistema di digital healthcare conforme ai requisiti di protezione dei dati; - valutare gli aspetti progettuali includendo elementi di budget e considerazioni di contesto applicativo. - rappresentare e codificare segnali biomedici multidimensionali in diversi domini (tempo, frequenza, spazio-frequenza, rappresentazioni latenti); - applicare metodi di elaborazione di segnali e immagini per la rappresentazione efficace dei dati biomedici; - analizzare la struttura e le proprietà degli spazi di rappresentazione in relazione ad applicazioni di codifica; - gestire segnali biomedici e individuare il metodo più adeguato per la loro elaborazione e codifica; - Implementare autonomamente, in linguaggi di programmazione correnti come Python, una pipeline di analisi di immagini biomediche completa e coerente rispetto alla valutazione delle prestazioni.

Programma

Al termine dell’insegnamento lo studente sarà in grado di: - descrivere e analizzare le componenti software e architetturali di un sistema informativo sanitario; - analizzare standard per la classificazione e lo scambio dei dati sanitari, flussi di lavoro, aspetti di sicurezza, privacy e gestione dei dati; - progettare sistemi informativi sanitari complessi in funzione di requisiti applicativi; - integrare pipeline di gestione dei dati, API e modelli di intelligenza artificiale utilizzando standard sanitari e nel rispetto della normativa vigente; - definire dominio applicativo, use case, standard e strutture dati a partire da un executive summary; - sviluppare un prototipo di sistema di digital healthcare conforme ai requisiti di protezione dei dati; - valutare gli aspetti progettuali includendo elementi di budget e considerazioni di contesto applicativo. - rappresentare e codificare segnali biomedici multidimensionali in diversi domini (tempo, frequenza, spazio-frequenza, rappresentazioni latenti); - applicare metodi di elaborazione di segnali e immagini per la rappresentazione efficace dei dati biomedici; - analizzare la struttura e le proprietà degli spazi di rappresentazione in relazione ad applicazioni di codifica; - gestire segnali biomedici e individuare il metodo più adeguato per la loro elaborazione e codifica; - Implementare autonomamente, in linguaggi di programmazione correnti come Python, una pipeline di analisi di immagini biomediche completa e coerente rispetto alla valutazione delle prestazioni.

Modalità d'esame

Il voto finale sarà dato dalla media delle valutazioni relative alle due parti.

Testi di riferimento

Vai alla bibliografia Visualizza la bibliografia con Leganto, strumento che il Sistema Bibliotecario mette a disposizione per recuperare i testi in programma d'esame in modo semplice e innovativo.

Codice insegnamento 4S012363

Final exam 2° anno · 24 CFU · 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.