Angelo MARCELLI | NATURAL COMPUTATION
Angelo MARCELLI NATURAL COMPUTATION
cod. 0622900013
NATURAL COMPUTATION
| 0622900013 | |
| DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA | |
| CORSO DI LAUREA MAGISTRALE | |
| DIGITAL HEALTH AND BIOINFORMATIC ENGINEERING | |
| 2020/2021 |
| ANNO CORSO 2 | |
| ANNO ORDINAMENTO 2018 | |
| SECONDO SEMESTRE |
| SSD | CFU | ORE | ATTIVITÀ | |
|---|---|---|---|---|
| ING-INF/05 | 3 | 24 | LEZIONE | |
| ING-INF/05 | 2 | 16 | ESERCITAZIONE | |
| ING-INF/05 | 1 | 8 | LABORATORIO |
| Obiettivi | |
|---|---|
| CONOSCENZA DEI MODELLI E TECNICHE COMPUTAZIONALI CHE SI ISPIRANO AI SISTEMI NATURALI PER LA RISOLUZIONE DI PROBLEMI COMPLESSI E CAPACITA' DI ANALISI CRITICA DEI DIVERSI APPROCCI PRESENTATI E DISCUSSI NELLE LEZIONI. RISULTATI DI APPRENDIMENTO ATTESI CONOSCENZE E CAPACITÀ DI COMPRENSIONE CONOSCENZA DEGLI ASPETTI FONDAMENTALI DEI MECCANISMI E DEI PRINCIPI CHE REGOLANO L'EVOLUZIONE DARWINIANA DELLE SPECIE VIVENTI E IL SISTEMA IMMUNITARIO, L'INTELLIGENZA SOCIALE E LA NEUROFISIOLOGIA DEL CERVELLO UMANO. COMPRENSIONE DEI RELATIVI MODELLI COMPUTAZIONALI E CONOSCENZA DEI METODI DI IMPLEMENTAZIONE. CONOSCENZA DELLE TECNICHE PER LA VALUTAZIONE DELLE PRESTAZIONI. COMPRENSIONE DELLE MOTIVAZIONI DELLE “BEST PRACTICE” NELLA SCELTA DEL MODELLO DA UTILIZZARE IN FUNZIONE DEGLI SPECIFICI AMBITI APPLICATIVI. CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE SAPER VALUTARE L’IMPATTO DEI DIVERSI MODELLI COMPUTAZIONALI SULLE STIMA DELLE PRESTAZIONI, SAPER UTILIZZARE LE “BEST PRACTICE” PER LA SOLUZIONE DI PROBLEMI DI OTTIMIZZAZIONE E APPRENDIMENTO AUTOMATICO. AUTONOMIA DI GIUDIZIO SAPER SCEGLIERE ED INTEGRARE I MODELLI COMPUTAZIONALI PROPOSTI NEL CORSO PER OTTENERE SOLUZIONI DI ELEVATA’ QUALITA’ IN PROBLEMI COMPLESSI. SAPER INDIVIDUARE I DATI DI PROVA, GLI INDICI E I METODI DI MISURA PER FORNIRE UNA STIMA ATTENDIBILE DELLE PRESTAZIONI DELLE DIVERSE SOLUZIONI. SAPER VALUTARE IL RAPPORTO COSTO/PRESTAZIONI DELLE SOLUZIONI IPOTIZZATE. ABILITÀ COMUNICATIVE SAPER LAVORARE IN GRUPPO, DOCUMENTARE IL LAVORO SVOLTO IN FORMA SCRITTA E COMUNICARE ORALMENTE I RISULTATI DELLA PROPRIA ATTIVITA’. CAPACITÀ DI APPRENDERE SAPER ACQUISIRE CONOSCENZE IN DIVERSI AMBITI DISCIPLINARI PER AFFRONTARE LA COMPLESSITA’ ATTRAVERSO L’USO INTEGRATO DI MODELLI COMPUTAZIONALI E SAPER INDIVIDUARE I CRITERI PER SCEGLIERE I MODELLI DA UTILIZZARE NELLE SPECIFICHE APPLICAZIONI. |
| Prerequisiti | |
|---|---|
| ORGANIZZAZIONE DI UN SISTEMA DI ELABORAZIONE, PARAMETRI PRESTAZIONALI DELLE UNITA’ COMPONENTI, ALGORITMI E STRUTTURE DATI AVANZATE. |
| Contenuti | |
|---|---|
| INTRODUZIONE AL CORSO (LEZIONI 2H - ESERCITAZIONI 0H) IL PARADIGMA DELLA COMPUTAZIONE NATURALE - CONCETTI FONDAMENTALI: AGENTE, AUTONOMIA, INTERATTIVITA’, VALUTAZIONE E FEEDBACK, APPRENDIMENTO COMPUTAZIONE EVOLUTIVA (LEZIONI 8H - ESERCITAZIONI 2H) FONDAMENTI DI BIOLOGIA EVOLUTIVA: SELEZIONE, RICOMBINAZIONE E MUTAZIONE – LA METAFORA COMPUTAZIONALE – ALGORITMI GENETICI, ALGORITMI EVOLUTIVI E GENETIC PROGRAMMING SISTEMI IMMUNITARI (LEZIONI 6H - ESERCITAZIONI 2H) FONDAMENTI DI IMMUNOLOGIA: ANTIGENI E ANTICORPI – LA METAFORA COMPUTAZIONALE – SISTEMI IMMUNITARI ARTIFICIALI RETI NEURALI (LEZIONI 6H - ESERCITAZIONI 2H) FONDAMENTI DI NEUROFISIOLOGIA – LA METAFORA COMPUTAZIONALE – MODELLI DI NEURONI – RETI NEURALI INTELLIGENZA SOCIALE (LEZIONI 6 H - ESERCITAZIONI 2 H) COLONIE DI FORMICHE: RICERCA DEL CIBO E RIMOZIONE DEI CADAVERI - ALGORITMI DI OTTIMIZZAZIONE E CLUSTERING - SCIAMI DI PARTICELLE: ALGORITMO PSO NEUROSCIENZE COMPUTAZIONALI (LEZIONI 6H - ESERCITAZIONI 2H) FONDAMENTI DI NEUROSCIENZE – LA METAFORA COMPUTAZIONALE – MODELLI DI STRUTTURE CEREBRALI – INTEGRAZIONE DI MODELLI PROGETTO FINALE (LABORATORIO 4H) PRESENTAZIONE DEL PROGETTO DA SVILUPPARE E DEI RELATIVI TOOL. |
| Metodi Didattici | |
|---|---|
| L’INSEGNAMENTO CONTEMPLA LEZIONI TEORICHE ED ESERCITAZIONI IN AULA. NELLE ESERCITAZIONI IN AULA VIENE ASSEGNATO AGLI STUDENTI, DIVISI PER GRUPPI DI LAVORO, UN PROGETTO DA SVOLGERE E VENGONO DISCUSSI DI VOLTA IN VOLTA GLI ASPETTI APPLICATIVI DEI MODELLI PRESENTATI. NELLE ATTIVITA’ DI LABORATORIO GLI STUDENTI SONO DIVISI IN GRUPPI, ED OGNI GRUPPO DEVE PROGETTARE E IMPLEMENTARE UNA SOLUZIONE DI UN PROBLEMA SCELTO TRA QUELLI PRESENTATI DURANTE LE ESERCITAZIONI IN AULA O PROPOSTO DAL GRUPPO STESSO. |
| Verifica dell'apprendimento | |
|---|---|
| LA VALUTAZIONE DEL RAGGIUNGIMENTO DEGLI OBIETTIVI PREFISSATI AVVIENE MEDIANTE UN COLLOQUIO ORALE SUGLI ARGOMENTI DEL CORSO NON DIRETTAMENTE TRATTATI NEL PROGETTO E LA PRESENTAZIONE DELL’ELABORATO DI PROGETTO SVOLTO IN LABORATORIO. LA VALUTAZIONE SI OTTIENE DALLA SOMMA PESATA DEL PROGETTO (40%), DELLA PRESENTAZIONE (20%) E DEL COLLOQUIO (40%). |
| Testi | |
|---|---|
| TESTI DI RIFERIMENTO L. NUNES DE CASTRO, FUNDAMENTALS OF NATURAL COMPUTING, CHAPMAN & HALL/CRC, 2006 A. BRABAZON, M. O'NEILL AND S. MCGARRAGHY, NATURAL COMPUTING ALGORITHMS, SPRINGER, 2015 ULTERIORE MATERIALE DIDATTICO SARA' RESO DISPONIBILE SUL SITO WEB DEL CORSO TESTO DI CONSULTAZIONE |
| Altre Informazioni | |
|---|---|
| L'INSEGNAMENTO E' IMPARTITO IN INGLESE. |
BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2022-05-23]
