Offerta Didattica

INFORMATICA

LABORATORIO DI INTELLIGENZA ARTIFICIALE

Classe di corso: L-31 - Scienze e tecnologie informatiche

AA: 2022/2023

Sedi: MESSINA

SSD	TAF	tipologia	frequenza	moduli
INF/01	Caratterizzante	Libera	Libera	No

CFU	CFU LEZ	CFU LAB	CFU ESE	ORE	ORE LEZ	ORE LAB	ORE ESE
6	2	4	0	60	12	48	0

Legenda
CFU: n. crediti dell’insegnamento
CFU LEZ: n. cfu di lezione in aula
CFU LAB: n. cfu di laboratorio
CFU ESE: n. cfu di esercitazione
FREQUENZA:Libera/Obbligatoria
MODULI:SI - L'insegnamento prevede la suddivisione in moduli, NO - non sono previsti moduli
ORE: n. ore programmate
ORE LEZ: n. ore programmate di lezione in aula
ORE LAB: n. ore programmate di laboratorio
ORE ESE: n. ore programmate di esercitazione
SSD:sigla del settore scientifico disciplinare dell’insegnamento
TAF:sigla della tipologia di attività formativa
TIPOLOGIA:LEZ - lezioni frontali, ESE - esercitazioni, LAB - laboratorio

Obiettivi Formativi
Learning Goals

Obiettivi Formativi

OF1: Acquisizione delle principali metodologie di programmazione dei moderni sistemi di I.A., con particolare riferimento al machine e deep-learning, con un approccio implementativo; OF2: Sviluppo di competenze applicative su casi reali d’uso dei metodi di analisi dati tipici dell’I.A. OF3: Sviluppo di abilità autonome utili alla definizione e risoluzione di problemi di inferenza automatica.

Learning Goals

LG1: Acquire competence on the main programming methods for modern A.I. systems, with specific focus on machine and deep-learning, using a hands-on approach; LG2: Become familiar with real use cases where typical A.I. analytics strategies are applied; LG3: Develop skills to autonomously define and solve automatic inference problems.

Metodi didattici
Teaching Methods

Metodi didattici

Il corso si svolge tramite l'erogazione di lezioni frontali ed esercitazioni di laboratorio. Lo studente viene accompagnato verso l'acquisizione di capacità autonome di implementazione di reti neurali profonde.

Teaching Methods

The course consists of lectures and practical lab sessions. The student is lead to gradually acquiring autonomous implementation skills for deep neural networks.

Prerequisiti
Prerequisites

Prerequisiti

Conoscenza di base della programmazione in Python, degli algoritmi e strutture dati principali.

Prerequisites

Knowledge of fundamentals of Python programming, main data structures and algorithms.

Verifiche dell'apprendimento
Assessment

Verifiche dell'apprendimento

La verifica finale consisterà nell'elaborazione di un progetto di programmazione, concordato con il docente. Il progetto verrà spiegato dallo studente, nel corso di un colloquio orale.

Assessment

The exam consists of a programming assignment, approved by the lecturer. The assignment will be explained by the student in the course of an interview.

Programma del Corso
Course Syllabus

Programma del Corso

- Introduzione all'ambiente TensorFlow; - Introduzione alle principali caratteristiche delle reti neurali profonde; - Principali architetture neurali profonde; - Implementazione di sistemi di codifica dei dati; - Implementazione di sistemi per la classificazione automatica; - Considerazioni sull'efficienza computazionale; - Cenni su implementazioni embedded.

Course Syllabus

- Introduction to TensorFlow environment; - Introduction to the main deep neural networks properties; - Main deep neural network architectures; - Implementation of data encoding systems; - Implementation of automatic classification systems; - Insights on computational efficiency; - Hints on embedded implementation.

Testi di riferimento: Deep Learning with Python FRANÇOIS CHOLLET MANNING - SHELTER ISLAND, 2018

Esami: Elenco degli appelli

Elenco delle unità didattiche costituenti l'insegnamento

Docente: GIORGIO MARIO GRASSO

Orario di Ricevimento - GIORGIO MARIO GRASSO

Dato non disponibile