PRESENTAZIONE

L'Intelligenza Computazionale costituisce un repertorio di metodologie predittive di Intelligenza Artificiale basate sui dati e sulla conoscenza del dominio, che fanno parte del background dell'ingegnere strategico.

OBIETTIVI FORMATIVI

Neural networks; fuzzy logic systems; evolutionary computing; swarm intelligence; neuro-fuzzy and fuzzy neural systems; hybrid intelligent systems, machine learning; classification, regression learning, clustering

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Il corso presenta un'introduzione sistematica ai fondamenti e alle applicazioni dei modelli di Intelligenza Computazionale che sono metodi avanzati di Intelligenza Artificiale per l'elaborazione dei dati ispirati ai sistemi naturali e  che comprendono le reti neurali artificiali, i sistemi di logica fuzzy, il calcolo  evoluzionario, l'intelligenza di sciame e l'apprendimento automatico. Gli argomenti piu' rilevanti, come la classificazione e la regressione, saranno affrontati sia dal punto di vista teorico sia attraverso esercitazioni pratiche di programmazione e compiti a casa usando il linguaggio Python.

PREREQUISITI

Il corso non richiede prerequisiti specifici, e include tutti gli elementi e i riferimenti necessari. Le conoscenze di base in matematica, statistica acquisite nei precedenti studi e la programmazione in Python saranno utili per migliorare la curva di apprendimento e le prestazioni dello studente. Un'introduzione alla programmazione in Python e' fornita dal seminario W35: Programmazione (basi di programmazione e sviluppo del codice)

Modalità didattiche

1 lezione di 4 ore alla settimana per 10 settimane comprese lezioni frontali, esercitazioni in classe e compiti a casa.

PROGRAMMA/CONTENUTO

Optimization; Machine Learning; Regression; Classification; Bayesian Decision Theory; Parametric Classification; Intro to clustering; Fuzzy Sets; Fuzzy Clustering;  Kernel Clustering; Spectral Clustering; Networks' Analysis; Neural Networks; Support Vector Machines;  Multi-Layer Perceptrons; Fuzzy Systems; Deep Learning;  Ensembles; Genetic Algorithms;  Evolution Strategies; Particle Swarm Optimization; Multi-Objective Genetic Algorithms; Multimodal Medical Volumes Segmentation; Seminars by companies operating in AI; Demos; Homeworks.

TESTI/BIBLIOGRAFIA

1. Testo: Andries P. Engelbrecht: Computational Intelligence - An Introduction, Wiley, 2007.
2. Selectione di articoli rilevanti  
3. Appunti / slide

Commissione d'esame

FRANCESCO MASULLI (Presidente)

ALBERTO CABRI

AGOSTINO BRUZZONE

STEFANO ROVETTA (Presidente Supplente)

Modalità didattiche

1 lezione di 4 ore alla settimana per 10 settimane comprese lezioni frontali, esercitazioni in classe e compiti a casa.

INIZIO LEZIONI

II semestre

ORARI

L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.

Modalità d'esame

Homeworks e esame orale