Roberto TAGLIAFERRI | INTELLIGENZA COMPUTAZIONALE
Roberto TAGLIAFERRI INTELLIGENZA COMPUTAZIONALE
cod. 0522500060
INTELLIGENZA COMPUTAZIONALE
| 0522500060 | |
| DIPARTIMENTO DI INFORMATICA | |
| CORSO DI LAUREA MAGISTRALE | |
| INFORMATICA | |
| 2015/2016 |
| OBBLIGATORIO | |
| ANNO CORSO 1 | |
| ANNO ORDINAMENTO 2015 | |
| PRIMO SEMESTRE |
| SSD | CFU | ORE | ATTIVITÀ | |
|---|---|---|---|---|
| INF/01 | 9 | 72 | LEZIONE |
| Obiettivi | |
|---|---|
| CONOSCENZA E CAPACITÀ DI COMPRENSIONE (KNOWLEDGE AND UNDERSTANDING) NELL’AMBITO DELLO STUDIO DELLE METODOLOGIA DI APPRENDIMENTO DA ESEMPI, DEL PATTERN RECOGNITION STATISTICO E DELL’INTELLIGENZA ARTIFICIALE, LO STUDENTE APPROFONDIRÀ LA CONOSCENZA DEI MODELLI PER LA RISOLUZIONE DI PROBLEMI COMPLESSI E PER L’ANALISI DI DATI MULTIDIMENSIONALI, CON RIFERIMENTO A PROBLEMI DI CLASSIFICAZIONE E REGRESSIONE DEI DATI. LO STUDENTE ACQUISIRÀ I CONCETTI DI SISTEMA, DI STRUTTURA E DI APPRENDIMENTO COME VARIAZIONE DELLA STRUTTURA DI UN SISTEMA ATTRAVERSO GLI ESEMPI RICEVUTI. INOLTRE ACQUISIRÀ I CONCETTI RELATIVI ALLA INTELLIGENZA ARTIFICIALE E COMPUTAZIONALE E COME USARLI INSIEME O COMPARARLI CON I MODELLI ADATTIVI. CAPACITA’ DI APPLICARE CONOSCENZA E COMPRENSIONE (APPLYING KNOWLEDGE AND UNDERSTANDING) LO STUDENTE ACQUISIRÀ LE SEGUENTI CAPACITÀ APPLICATIVE: - ANALISI DI PROBLEMI CONCRETI DI PATTERN RECOGNITION STATISTICO, INTELLIGENZA ARTIFICIALE E COMPUTAZIONALE; - PROGETTAZIONE DEI PROGRAMMI PER LA REALIZZAZIONE DEI MODELLI STUDIATI SU DATI REALI E SINTETICI; - ANALISI DEI RISULTATI OTTENUTI. MEDIANTE LE CONOSCENZE ACQUISITE DURANTE IL CORSO, LO STUDENTE SARÀ IN GRADO DI ORIENTARSI IN SUCCESSIVI PROBLEMI DI DATA MINING E ANALISI DI DATI MULTIDIMENSIONALI CON MODELLI DI APPRENDIMENTO DA ESEMPI E INTELLIGENZA ARTIFICIALE E COMPUTAZIONALE. AUTONOMIA DI GIUDIZIO (MAKING JUDGEMENTS) LO STUDENTE ACQUISIRÀ LA CAPACITÀ DI ORIENTARSI NELLO STUDIO E RISOLUZIONE DI PROBLEMI DI ANALISI DI DATI MULTIDIMENSIONALE E DI DATA MINING. ABILITA’ COMUNICATIVE (COMMUNICATION SKILLS) LO STUDENTE ACQUISIRÀ LA CAPACITÀ DI DESCRIVERE CON PROPRIETÀ DI LINGUAGGIO LE CARATTERISTICHE DI MODELLI DI APPRENDIMENTO DA ESEMPI, DI PROBLEMATICHE DI ANALISI STATISTICA DI DATI MULTIDIMENSIONALI, DI INTELLIGENZA ARTIFICIALE E COMPUTAZIONALE E DI DATA MINING. |
| Prerequisiti | |
|---|---|
| I CONCETTI DI BASE ACQUISITI NELLA LAUREA TRIENNALE DI INFORMATICA IN MATEMATICA, ALGORITMI E STRUTTURE DATI, PROBABILITÀ E STATISTICA E RICERCA OPERATIVA. |
| Contenuti | |
|---|---|
| I - PATTERN RECOGNITION E MACHINE LEARNING 1 INTRODUZIONE AL PATTERN RECOGNITION 2 DISTRIBUZIONI DI PROBABILITÀ E STIMA DI PDF 3 MODELLI DI MISTURE, CLUSTERING E EM 4 ANALISI DELLE COMPONENTI PRINCIPALI 5 MODELLI LINEARI PER LA REGRESSIONI 6 MODELLI LINEARI PER LA CLASSIFICAZIONE 7 ANALISI DELLE CARATTERISTICHE 8 MODELLI NON LINEARI PER LA REGRESSIONI 9 MODELLI NON LINEARI PER LA CLASSIFICAZIONE 10 MODELLI AVANZATI DI CLUSTERING II - ALCUNI ELEMENTI DI TEORIA DELL’INFORMAZIONE III - LABORATORIO DI MODELLI DI APPRENDIMENTO AUTOMATICO E DATA MINING |
| Metodi Didattici | |
|---|---|
| LEZIONI ED ESERCITAZIONI IN AULA PER LA PRESENTAZIONE DELLE CONOSCENZE TEORICHE E PER LO SVILUPPO DELLE CAPACITÀ APPLICATIVE CHE DEBBONO ESSERE ACQUISITE DA PARTE DELLO STUDENTE. |
| Verifica dell'apprendimento | |
|---|---|
| ATTRAVERSO UN ESAME ORALE E/O UNA PROVA SCRITTA E/O UN PROGETTO |
| Testi | |
|---|---|
| C.M. BISHOP: “PATTERN RECOGNITION AND MACHINE LEARNING”, SPRINGER SCIENCE, NEW YORK, 2006 LIBRI DI SUPPORTO: R.O. DUDA, P.H. HART, D.G. STORK: “PATTERN CLASSIFICATION”, WILEY-INTERSCIENCE, II EDIZIONE, NEW YORK, 2001 I. GUYON, S. GUNN, M. NIKRAVESH, L.A. ZADEH: “FEATURE EXTRACTION: FOUNDATIONS AND APPLICATIONS”, SPRINGER, BERLINO, 2007 DAVID J. C. MACKAY: “INFORMATION THEORY, INFERENCE AND LEARNING ALGORITHMS”, CAMBRIDGE UNIVERSITY PRESS, CAMBRIDGE, 2003 SERGIOS THEODORIDIS, KONSTANTINOS KOUTROUMBAS: “PATTERN RECOGNITION”, 4TH EDITION. ACADEMIC PRESS, AMSTERDAM, 2008 SERGIOS THEODORIDIS AGGELOS PIKRAKIS KONSTANTINOS KOUTROUMBAS DIONISIS CAVOURAS: “INTRODUCTION TO PATTERN RECOGNITION: A MATLAB APPROACH”, ACADEMIC PRESS, AMSTERDAM, 2010 ROBERTO BATTITI, MAURO BRUNATO: "THE LION WAY. MACHINE LEARNING PLUS INTELLIGENT OPTIMIZATION. VERSION 2.0" LIONLAB, UNIVERSITY OF TRENTO, ITALY, 2014. |
| Altre Informazioni | |
|---|---|
| LA FREQUENZA DEL CORSO È FORTEMENTE CONSIGLIATA IN QUANTO CONSENTE UNA PIÙ RAPIDA ED EFFICACE COMPRENSIONE DEI FONDAMENTI TEORICI E DELLE TECNICHE APPLICATIVE. LO STUDENTE DOVRÀ DEDICARE UN ADEGUATO NUMERO DI ORE DI STUDIO, IN AGGIUNTA A QUELLE TRASCORSE IN AULA, PER IL NECESSARIO CONSOLIDAMENTO DELLA PROPRIA CONOSCENZA E PER LO SVILUPPO DELL’ABILITÀ APPLICATIVA DA ACQUISIRE. AI FINI DELLA VERIFICA DEL PROFITTO, PER LA PROVA ORALE LO STUDENTE DOVRÀ DEDICARE DELLE ORE DI STUDIO AL CONSOLIDAMENTO DELLA PADRONANZA DEI CONCETTI ED ALLA ACQUISIZIONE DI UNA ADEGUATA PROPRIETÀ DI LINGUAGGIO. |
BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2016-09-30]
