2. Docenti
  3. Didattica

NATURAL COMPUTATION

Angelo MARCELLI NATURAL COMPUTATION

0623200018
DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
CORSO DI LAUREA MAGISTRALE
INFORMATION ENGINEERING FOR DIGITAL MEDICINE
2023/2024



ANNO CORSO 2
ANNO ORDINAMENTO 2022
SECONDO SEMESTRE
CFUOREATTIVITÀ
324LEZIONE
324ESERCITAZIONE
ANTONIO DELLA CIOPPA T Curriculum
ANGELO MARCELLI Curriculum
Obiettivi
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.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE
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. MODELLI COMPUTAZIONALI E METODI DI IMPLEMENTAZIONE. TECNICHE PER LA VALUTAZIONE DELLE PRESTAZIONI. “BEST PRACTICE” NELLA SCELTA DEL MODELLO DA UTILIZZARE IN FUNZIONE DEGLI SPECIFICI AMBITI APPLICATIVI.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE
VALUTARE L’IMPATTO DEI DIVERSI MODELLI COMPUTAZIONALI SULLE STIMA DELLE PRESTAZIONI, UTILIZZARE LE “BEST PRACTICE” PER LA SOLUZIONE DI PROBLEMI DI OTTIMIZZAZIONE E APPRENDIMENTO AUTOMATICO.
Prerequisiti
ORGANIZZAZIONE DI UN SISTEMA DI ELABORAZIONE, PARAMETRI PRESTAZIONALI DELLE UNITA’ COMPONENTI, ALGORITMI E STRUTTURE DATI AVANZATE.
Contenuti
UNITÀ DIDATTICA 1: INTRODUZIONE ALLA COMPUTAZIONE NATURALE
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/0)
- 1 (2 ORE LEZIONE): IL PARADIGMA DELLA COMPUTAZIONE NATURALE E GLI ALGORITMI DI NATURAL COMPUTATION - CONCETTI FONDAMENTALI: AGENTE, AUTONOMIA, INTERATTIVITA’, VALUTAZIONE E FEEDBACK, APPRENDIMENTO
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: COMPRENSIONE DEI PARADIGMI ALLA BASE DELLA NATURAL COMPUTATION
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER CLASSIFICARE GLI ALGORITMI DI NATURAL COMPUTATION SULLA BASE DEL PARTICOLARE PARADIGMA ADOTTATO


UNITÀ DIDATTICA 2: COMPUTAZIONE EVOLUTIVA
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 6/0/4)
- 2 (2 ORE LEZIONE): FONDAMENTI DI BIOLOGIA EVOLUTIVA: SELEZIONE, RICOMBINAZIONE E MUTAZIONE - INTRODUZIONE AGLI ALGORITMI EVOLUTIVI
- 3 (2 ORE LEZIONE): ALGORITMI GENETICI E DIFFERENTIAL EVOLUTION
- 4 (2 ORE LEZIONE): GENETIC PROGRAMMING
- 5 (2 ORE LABORATORIO): APPLICAZIONE DELLA DIFFERENTIAL EVOLUTION A PROBLEMI DI OTTIMIZZAZIONE
- 6 (2 ORE LABORATORIO): APPLICAZIONE DEL GENETIC PROGRAMMING A PROBLEMI DI OTTIMIZZAZIONE E APPRENDIMENTO
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: ACQUISIRE LE CONOSCENZE RELATIVE AGLI ELEMENTI FONDAMENTALI DELLA COMPUTAZIONE EVOLUTIVA
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER APPLICARE LA COMPUTAZIONE EVOLUTIVA ALLE VARIE TIPOLOGIE DI PROBLEMI DEL MONDO REALE


UNITÀ DIDATTICA 3: SISTEMI IMMUNITARI ARTIFICIALI
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 6/0/2)
- 7 (2 ORE LEZIONE): FONDAMENTI DI IMMUNOLOGIA: ANTIGENI E ANTICORPI
- 8 (2 ORE LEZIONE): SISTEMI IMMUNITARI ARTIFICIALI
- 9 (2 ORE LEZIONE): NEGATIVE SELECTION, CLONALG
- 10 (2 ORE LABORATORIO): APPLICAZIONE DELLA NEGATIVE SELECTION E DI CLONALG A PROBLEMI DI OTTIMIZZAZIONE E CLASSIFICAZIONE
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: ACQUISIRE LE CONOSCENZE RELATIVE AGLI ELEMENTI FONDAMENTALI DEI SISTEMI IMMUNITARI ARTIFICIALI
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER APPLICARE I SISTEMI IMMUNITARI ARTIFICIALI ALLE VARIE TIPOLOGIE DI PROBLEMI DEL MONDO REALE


UNITÀ DIDATTICA 4: SWARM INTELLIGENCE
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 6/0/2)
- 11 (2 ORE LEZIONE): FONDAMENTI DI INTELLIGENZA SOCIALE
- 12 (2 ORE LEZIONE): ANT COLONY
- 13 (2 ORE LEZIONE): PARTICLE SWARM OPTIMIZATION
- 14 (2 ORE LABORATORIO): APPLICAZIONE DELLA ANT COLONY E DELLA PARTICLE SWARM A PROBLEMI DI OTTIMIZZAZIONE E RICERCA DEL CAMMINO OTTIMO
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: ACQUISIRE LE CONOSCENZE RELATIVE AGLI ELEMENTI FONDAMENTALI DELLA SWARM INTELLIGENCE
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER APPLICARE LA SWARM INTELLIGENCE ALLE VARIE TIPOLOGIE DI PROBLEMI DEL MONDO REALE


UNITÀ DIDATTICA 5: NEUROEVOLUTION
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/2)
- 15 (2 ORE LEZIONE): FONDAMENTI DI NEUROEVOLUTION: ALGORITMI EVOLUTIVI PER LA SINTESI AUTOMATICA DI RETI NEURONICHE
- 16 (2 ORE LABORATORIO): APPLICAZIONE DELLA NEUROEVOLUTION A PROBLEMI DI REINFORCEMENT LEARNING
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: ACQUISIRE LE CONOSCENZE RELATIVE AGLI ELEMENTI FONDAMENTALI DELLA NEUROEVOLUTION
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER APPLICARE LA NEUROEVOLUTION ALLE VARIE TIPOLOGIE DI PROBLEMI DEL MONDO REALE


UNITÀ DIDATTICA 6: NEUROSCIENZE COMPUTAZIONALI
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 6/0/2)
- 17 (2 ORE LEZIONE): FONDAMENTI DI NEUROSCIENZE
- 18 (2 ORE LEZIONE): MODELLI DI NEURONI
- 19 (2 ORE LEZIONE): SISTEMI DI RETI NEURALI
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: ACQUISIRE LE CONOSCENZE RELATIVE AGLI ELEMENTI FONDAMENTALI DELLA NEUROSCIENZE COMPUTAZIONALI
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SIMULARE IL COMPORTAMENTO DI RETI NEURALI IN PROBLEMI DI APPRENDIMENTO


UNITÀ DIDATTICA 7: PROGETTO FINALE
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/6)
- 20 (2 ORE LEZIONE): SPECIFICHE DEL PROGETTO FINALE E DEI RELATIVI TOOL
- 21 (8 ORE LABORATORIO): SUPERVISIONE PROGETTO FINALE
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: ORGANIZZAZIONE DEL TEAM WORKING. DEFINZIONE DEI TASK E DELLE MILESTONE DEL PROGETTO.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: PROGETTAZIONE ed IMPLEMENTAZIONE DI UN ALGORITMO DI COMPUTAZIONE NATURALE PER LA RISOLUZIONE DI UN PROBLEMA DI PREVISIONE DEL MONDO REALE


TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO 30/0/18
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
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


MATERIALE DIDATTICO INTEGRATIVO SARA' DISPONIBILE NELLA SEZIONE DEDICATA DELL'INSEGNAMENTO ALL'INTERNO DELLA PIATTAFORMA E-LEARNING DI ATENEO (HTTP://ELEARNING.UNISA.IT) ACCESSIBILE AGLI STUDENTI DEL CORSO TRAMITE LE CREDENZIALI UNICHE DI ATENEO.
Altre Informazioni
L'INSEGNAMENTO È EROGATO IN INGLESE
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-11-05]