|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
10592832 -
ARTIFICIAL INTELLIGENCE
(obiettivi)
Obiettivi generali:
Conoscere i principi di base dell'intelligenza artificiale, in particolare la modellazione di sistema intelligente tramite la nozione di agente intelligente.
Conoscere le tecniche di base dell'Intelligenza Artificiale con particolare riferimento alla manipolazione di simboli e, più in generale, a modelli discreti.
Conoscere i principi fondamentali della interazione tra agenti intelligenti ed in particolare tra agente intelligente e uomo, attraverso il linguaggio parlato.
Obiettivi specifici:
Conoscenza e comprensione:
Metodi di ricerca automatica nello spazio degli stati: metodi generali, metodi basati su euristiche, ricerca locale.Rappresentazioni fattorizzate: problemi di soddisfacimento di vincoli, modelli di pianificazione.
Rappresentazione della conoscenza attraverso sistemi formali: logica proposizionale, logica del primo ordine, cenni alle logiche descrittive ad alle forme di ragionamento non monotono. Uso della logica come linguaggio di programmazione: PROLOG.
Cooperazione e coordinamento tra agenti intelligenti, distribuzione di compiti, soddisfacimento distribuito di vincoli, analisi lessicale, sintattica e semantica del linguaggio parlato.
Applicare conoscenza e comprensione:
Modellazione di problemi con i diversi metodi di rappresentazione acquisiti.
Analisi del comportamento degli algoritmi di ragionamento di base.
Progetto e realizzazione di sistemi per l'interazione tra molti agenti.
Capacità critiche e di giudizio:
Essere in grado di valutare la qualità di un modello di rappresentazione di un problema e dei risultati ottenuti applicando su di esso tecniche di ragionamento automatico.
Analisi e valutazione degli elementi salienti della interazione tra molti agenti.
Capacità comunicative:
Le capacità di comunicazione orale dello studente vengono stimolate attraverso l'interazione durante le lezioni tradizionali mentre le capacità espositive nello scritto vengono sviluppate attraverso la discussione di esercizi e delle domande a risposta aperta previste nelle prove di esame.
Le capacità comunicative vengono infine consolidate attraverso la presentazione di un progetto, realizzato anche in gruppo, e del report scritto ad esso associato.
Capacità di apprendimento:
Oltre alle classiche capacità di apprendimento fornite dallo studio teorico del materiale didattico, attraverso gli esercizi relativi all'applicazione dei modelli appresi, il corso contribuisce a sviluppare le capacità di risoluzione di problemi dello studente.
Il progetto e realizzazione di un prototipo di sistema di interazione contribuiscono all'apprendimento della capacità di lavorare in gruppo.
-
NARDI DANIELE
( programma)
L'obiettivo del corso è l'introduzione alle tecniche di base dell'Intelligenza di Intelligenza Articiale. In particolare, viene definito il modello dell'agente intelligente e vengono presentate le tecniche di ricerca automatica delle soluzioni e la pianificazione automatica; successivamente, viene definito il modello di rappresentazione della conoscenza basato sulla logica (proposizionale e calcolo dei predicati del primo ordine) e le tecniche di ragionamento, in particolare la risoluzione, anche attraverso l'uso della programmazione logica. Il corso si propone di fornire gli strumenti per la modellazione di problemi, sia i principali strumenti sviluppati per la ricerca delle soluzione nell'ambito dei modelli di rappresentazione considerati.
La seconda parte del corso (3 ECTS aggiuntivi rispetto al corso fruito da altri CDS) ha come obiettivo lo sviluppo di alcuni aspetti sviluppati nella prima parte del corso, in particolare l'estensione del modello di agente intelligente nel contesto di un sistema con molti agenti e l'interazione tra uomo e la macchina attraverso il linguaggio parlato. Questa parte del corso ha una significativa componente progettuale per far acquisire allo studente la capacità di usare i modelli studiati nel corso nello sviluppo di applicazioni.
 S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach, Fourth Edition, Prentice Hall Series in Artificial Intelligence, to appear 2019.
[W] M. Wooldridge, Multi-Agent Systems, John Wiley, 2009.
Daniel Jurafsky and James H. Martin. Speech and Language Processing. https://web.stanford.edu/~jurafsky/slp3/
(Date degli appelli d'esame)
|
9
|
ING-INF/05
|
54
|
36
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
10592833 -
MACHINE LEARNING
(obiettivi)
Obiettivi generali:
L’obiettivo del corso è presentare un ampio spettro di metodi e
algoritmi di apprendimento automatico, discutendone le proprietà e i
criteri di applicabilità e di convergenza. Si presentano anche diversi
esempi di impiego efficace delle tecniche di apprendimento automatico in
diversi scenari applicativi.
Gli studenti avranno la capacità di risolvere problemi di apprendimento
automatico, partendo da una corretta formulazione del problema, con la
scelta di un opportuno algoritmo, e sapendo condurre un’analisi
sperimentale per valutare i risultati ottenuti.
Obiettivi specifici:
Conoscenza e comprensione:
Fornire un'ampia panoramica sui principali metodi e algoritmi di
apprendimento automatico per i problemi di classificazione, regressione,
apprendimento, non-supervisionato e apprendimento per rinforzo.
I diversi problemi affrontati vengono definiti formalmente e vengono
fornite sia le basi teoriche sia informazione tecniche per comprendere
le soluzioni adottate.
Applicare conoscenza e comprensione:
Risolvere problemi specifici di apprendimento automatico a partire da
insiemi di dati, mediante l'applicazione delle tecniche studiate. Lo
svolgimento di due homework (piccoli progetti da svolgere a casa)
consente agli studenti di applicare le conoscenze acquisite.
Capacità critiche e di giudizio:
Essere in grado di valutare la qualità di un sistema di apprendimento
automatico usando opportune metriche e metodologie di valutazione.
Capacità comunicative:
Produrre un rapporto tecnico che descrive i risultati degli homework,
acquisendo quindi la capacità di comunicare i risultati ottenuti
dall'applicazione delle conoscenze acquisite nella soluzione di un
problema specifico.
Assistere ad esempi di comunicazione e condivisione dei risultati
raggiunti in applicazioni reali forniti da esperti all'interno di
seminari erogati durante il corso.
Capacità di apprendimento:
Approfondimento autonomo di alcuni argomenti presentati nel corso
tramite lo svolgimento di homework, con possibilità anche di lavorare
insieme ad altri studenti (lavoro di gruppo) per risolvere problemi
specifici.
-
IOCCHI LUCA
( programma)
Classification
Basic concepts and evaluation
Decision Trees
Bayes Learning
Linear Models
Support Vector Machines
Kernels
Multiple classifiers
Regression
Linear and logistic regression
Instance based (K-NN)
Perceptron
Neural networks
Deep neural networks (CNN)
Unsupervised learning
Clustering (k-Means)
Latent variables (EM)
Reinforcement learning
MDP
Q-learning
Deep Reinforcement Learning
HMM
POMDP
Machine Learning, Tom Mitchell.
Pattern Recognition and Machine Learning, Chris Bishop.
Machine Learning: a Probabilistic Perspective, Kevin Murphy.
Introduction to Machine Learning, Ethem Alpaydin.
Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville.
Reinforcement Learning, Sutton and Barto.
(Date degli appelli d'esame)
-
CAPOBIANCO ROBERTO
( programma)
- ML (6 CFU) Syllabus -
● Classificazione - Concetti di Base, Decision Trees, Bayes
● Apprendimento, Modelli Lineari, Support Vector Machines, Kernels, Multiple
classifiers
● Regressione - Regressione Lineare e Logistica, Instance based (K-NN),
● Perceptron, Reti Neurali, Deep neural networks (CNN)
● Apprendimento non supervisionato - Clustering (k-Means), Variabili latenti (EM),
● Reinforcement learning - MDP, Q-learning
- Reinforcement Learning (3 CFU Aggiuntivi) -
● Ragionamento Probabilistico
● Ragionamento Probabilistico su scala temporale
● MDPs e Bandit Problems
● Model-free reinforcement learning (Monte-Carlo, Temporal Difference, etc.)
● Nozioni di model-based reinforcement learning
● Metodi Policy Gradient e Actor-Critic
- Reinforcement Learning: Reinforcement Learning - An Introduction, II ed. Sutton & Barto
- Probabilistic Reasoning: Artificial Intelligence: A Modern Approach, Russell & Norvig
|
9
|
ING-INF/05
|
54
|
36
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
1023235 -
ROBOTICS I
(obiettivi)
Obiettivi generali
Il corso fornisce gli strumenti di base per l'analisi cinematica, la pianificazione e la programmazione dei movimenti di robot manipolatori in ambienti industriali e di servizio.
Obiettivi specifici
Conoscenza e comprensione:
Lo studente apprenderà il funzionamento dei componenti di attuazione e sensoriali dei robot, i metodi di base per la modellistica, l'analisi e il controllo cinematico di manipolatori robotici, nonché gli algoritmi per la pianificazione delle traiettorie di moto.
Applicare conoscenza e comprensione:
Lo studente sarà in grado di analizzare le strutture cinematiche dei robot di tipo industriale e di progettare algoritmi e moduli per la pianificazione e il controllo della movimentazione.
Capacità critiche e di giudizio:
Lo studente sarà in grado di individuare le caratteristiche funzionali di un sistema robotico con riferimento al tipo di compito industriale o di servizio,
di analizzarne la complessità di realizzazione, le possibili prestazioni e le eventuali debolezze.
Capacità comunicative:
Il corso mette in grado lo studente di presentare le principali problematiche applicative e le soluzioni tecniche riguardanti l'impiego dei robot.
Capacità di apprendimento:
Il corso mira a creare attitudini di apprendimento autonomo orientate all'analisi e alla soluzione di problemi connessi all'uso dei robot.
-
DE LUCA ALESSANDRO
( programma)
URL: http://www.diag.uniroma1.it/deluca/rob1_en.php
Sono illustrate le tipologie di robot manipolatori nelle applicazioni industriali e di servizio. Si presentano i principali componenti meccanici, di attuazione e sensoriali, con le architetture di controllo e la loro programmazione. Si analizzano i modelli della cinematica (diretta, inversa, differenziale) dei robot manipolatori. Si descrivono i metodi di pianificazione delle traiettorie di moto nello spazio dei giunti e nello spazio operativo. Si introducono infine alcuni schemi di controllo di tipo cinematico e di tipo dinamico decentralizzato (dei singoli assi di un manipolatore).
B. Siciliano, L. Sciavicco, L. Villani, G. Oriolo
"Robotics: Modelling, Planning and Control", 3rd Edition, Springer, 2009.
(Date degli appelli d'esame)
|
6
|
ING-INF/04
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
Gruppo opzionale:
3 insegnamenti a scelta - (visualizza)
 |
18
|
|
|
|
|
|
|
|
|
1022807 -
DISTRIBUTED SYSTEMS
(obiettivi)
- Conoscenza e comprensione
I sistemi distribuiti sono alla base di qualsiasi applicazione informatica moderna.
Il corso si propone l'obiettivo principale di fornire agli studenti una chiara caratterizzazione della concorrenza in un sistema distribuito considerando le caratteristiche di tale sistema come guasti, latenza
variabile nelle comunicazioni e assenza di un clock globale.
Successivamente si analizzano i principali modelli di sistema e le astrazioni di base per la comunicazione e la sincronizzazione. Infine si forniranno i concetti di base di un sistema peer-to-peer con alcuni esempi di sistemi reali.
- Applicare conoscenza e comprensione
Lo studente sarà in grado di progettare sistemi e algoritmi distribuiti al di sopra di diversi modelli di sistema da quelli sincrono, asincrono e parzialmente sincrono capendo impossibilità e limitazione nelle prestazioni. Inoltre avrà la capacita di astrarre sistemi e piattaforme reali in modelli astratti più facili da trattare.
- Capacità critiche e di giudizio
Lo studente sarà in grado di valutare e comparare diverse soluzioni per la realizzazione di applicazioni distribuite. Sarà, inoltre, in grado valutare gli opportuni trade-off in considerazione dei vari aspetti che caratterizzano l'ambiente specifico in cui l'applicazione andrà in esercizio.
- Capacità comunicative
Lo studente acquisirà la terminologia propria del settore.
- Capacità di apprendimento
Lo studente apprenderà tecniche e metodologie di base per la progettazione e lo sviluppo di sistemi e applicazioni distribuite.
|
6
|
ING-INF/05
|
36
|
24
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
1044387 -
FOUNDATION OF COMPUTER GRAPHICS
(obiettivi)
Obiettivi generali
Familiarità con il rendering Physically-based, il geometry processing and idee basiche di simulazione.
Obiettivi specifici
Argomenti includono: path tracing, monte carlo methods, bidirectional reflectance distribution function, modelli a microfacet, importance sampling, multiple importance sampling, superfici di suddivisione, bump and normal mapping, scattering volumetrico.
Conoscenza e comprensione:
Conoscenza su come funzionano gli algoritmi di rendering physically-based and quali light paths supportano; conoscenza su come modellare il look di superfici reali; conoscenza su come rappresentare la geometria in un renderer.
Applicazione di conoscenza e comprensione
Implementazione di un path tracer ricco di funzioni con supporto per materiali arbitrari, scattering volumetrico e superfici continue e corrugate.
Autonomia di giudizio
Essere in grado di valutare le prestazioni di diversi algoritmi di rendering realistico rispetto ai modi di interazione tra luci/superfici e luci/volumi.
Abilità comunicative
Essere in grado di comunicare con chiarezza come funzionano gli algoritmi di rendering realistico, come sono sviluppati e quali scene 3D e feature di immagini supportano.
Capacità di apprendimento successivo:
Essere in grado di apprendere algoritmi di rendering più complesso come metodi bidirezionali o Monte Carlo Markov Chain. Essere in grado di lavorare con sicurezza su renderer per produzione cinematografica.
|
6
|
INF/01
|
36
|
24
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
1027171 -
NETWORK INFRASTRUCTURES
(obiettivi)
Il corso presenta i concetti di base, i protocolli e le architetture delle attuali infrastrutture di rete. Particolare attenzione è dedicata alla rete di accesso a larga banda larga, alla rete di trasporto ottica e alle reti wireless di nuova generazione. Inoltre, vengono descritte le principali tecnologie per il supporto della Qualità di Servizio in una infrastruttura di rete. Risultati di apprendimento attesi: Alla fine del corso gli studenti avranno conoscenze sulle principali tecnologie ed infrastrutture di reti di comunicazioni tra cui: xDSL, PON, LTE, 5G, SDH, OTN, SDN. Inoltre saranno in grado di configurare ed analizzare reti IP e relativi protocolli grazie alle conoscenze acquisite utiliizzando il tool Netkit. Specifici progetti svolti durante il corso permetteranno agli studenti di applicare le conoscenze acquisite a scenari e applicazioni di rete innovativi.
|
6
|
ING-INF/03
|
36
|
24
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
1052218 -
PROBABILISTIC ROBOTICS
(obiettivi)
Obiettivi generali:
Acquisire conoscenza sugli strumenti di base per la stima dello stato in sistemi robotici.
Essere in grado do applicare tali strumenti a casi di studio reali ed implementare
soluzioni funzionanti.
Valutare le prestazioni e la qualita' di uno stimatore dello stato.
Il corso alterna teoria e pratica. Nelle lezioni pratiche agli studenti e' richiesto
il completamento di frammenti di codice di un sistema che rappresenta casi pratici.
Obiettivi specifici:
Conoscenza e comprensione:
- Manipolazione di distribuzioni di probabilita'
- Basi sulle tecniche di filtraggio (hisrogram filters, Gaussian filters, particle filters)
- Modello generale di un sistema non lineare stazionario e dinamico
- Formulazione densa e sparsa di algoritmi di minimizzazione (Gauss-Newton, Levenberg Marquardt)
- Il problema della Data Association, e strumeni tipici per affrontarlo (RANSAC, euristiche)
- Casi di studio tipici per problemi di stima in robotics (Calibrazione, Localizzazione, Mappatura and SLAM)
Applicare conoscenza e comprensione:
- Essere in gradi di modellare un problema di stima ed adattare gli strumenti proposti al dominio specifico
- Svuluppare uno stimatore dello stato funzionante.
Capacità critiche e di giudizio:
- Individuare i pro ed i contro che presentano soluzioni diverse allo stesso problema.
- Individuare gli strumenti utilizzabili per approcciare i sotto-problemi di uno stimatore.
Lo sviluppo di tali capacita' e' ottenuto mediante lo sviluppo di un progetto sviluppato come parte dell'esame.
Capacità comunicative:
- Acquisire un linguaggio comune per descrivere e modellare gli stimatori dello stato e che supporti
un'interazione tra sviluppatori definendo un insieme di obiettivi e termini comuni.
Capacità di apprendimento:
Lo studente possiedera' capacita e conoscera' tecniche per affrontare problemi di stima dello stato generali.
Gli esempi nel dominio della navigazione autonoma presentati durante il corso servono come casi di studio.
Gli argomenti individuali appresi (Manipolazione di PDF , Filtering Designs, Minimizzazione), sono strumenti
prezioni per affrontare problemi che esulano tali casi specifici di studio.
|
6
|
ING-INF/05
|
36
|
24
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
1022870 -
NEURAL NETWORKS
(obiettivi)
Obiettivi del modulo e capacità acquisite dallo studente
Il corso introduce le reti neurali (NN), e i alcuni metodi detti ‘soft computing’ (SC) che, a differenza delle tradizionali procedure di calcolo numerico esatto, sono tolleranti a imprecisioni, incertezze, rumore e a verità parziali. Gli obiettivi formativi consistono nell’acquisizione delle seguenti conoscenze e competenze specifiche: 1) principali modelli di reti neurali e reti a ispirazioni anche non biologica: architetture, proprietà matematiche e algoritmi di apprendimento; 2) filtraggio adattativo e modellazione di fenomeni dinamici e statici; 3) rappresentazione parsimoniosa di dati ed estrazione dell’informazione non ridondante; 4) architetture e apprendimento di reti neurali profonde con metodi a forte regolarizzazione; 5) algoritmi per i metodi SC. Sono discusse applicazioni di: analisi e modellazione di dati non strutturati: modellazione, filtraggio e predizione; il riconoscimento di configurazioni; cluster analysis; metodi per la fusione dati da sensori multipli; la separazione miopica di segnali.
Risultati di apprendimento attesi:
Lo studente del corso Neural Networks acquisisce conoscenze e competenze di base e specifiche relative alla disciplina. E' in grado di implementare (e valutare le prestazioni) dei vari modelli neurali, dei relativi algoritmi di apprendimento supervisionati e non supervisionati per: per la estrazione di caratteristiche, pattern recognition, clustering e l’elaborazione dei dati con dipendenze temporali. Lo studente acquisisce una chiara ed efficace comprensione dei metodi di apprendimento a ispirazione biologica. Sviluppa la capacità di progettare sistemi adattativi che imparano da dati reali con almeno una delle seguenti caratteristiche: dati non strutturati, rumorosi, incompleti, eterogenei, di alta dimensionale, distribuiti.
-
UNCINI AURELIO
( programma)
1. Generaltà su apprendimento automatico a ispirazione computazionale e biologica
2. Preliminari matematici e statistici
3. Introduzione ai sistemi adattativi e agli algoritmi di apprendimento con approccio classico e bayesiano
4. Il cervello umano, neuroni artificiali, apprendimento automatico a ispirazione biologica
5. Reti Neurali "shallows" e "deep neural networks" (DNN) (*)
6. Metodi kernel e reti neurali regolarizzate
7. Reti Neurali Ricorrenti (RNN) (*)
8. DNN con "gate" e con memoria a breve e a lungo termine (LSTM) (*)
9. Reti Neurali Convoluzionali (CNN) (*)
10. Reti Neurali Generative e Autoencoder (*)
11. Reti generative avversarie (*)
12. Nuove tendenze della ricerca nel Deep Learning
(*) Sono presentati: i modelli teorici e le architetture, le proprietà matematiche e statistiche, le implementazioni (in Python, Tensorflow, ...), le varianti più significative e i vari contesti applicativi.
Textbooks
------------
A. Uncini, Introduction to Neural Networks and Deep Learning, Lecture notes + slides - ed. 2020.
A. Uncini, Mathematical Elements for Machine Learning, Lecture notes + slides - ed. 2020.
Other optional recommended text and papers
--------------------------------------------------------
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT book Ed. 2018.
Aurélien Géron, Hands-on Machine Learning with Scikit-Learn, Keras & TensorFlow, 2nd Edition, Published by O’Reilly Media, 2019
Li Deng and Dong Yu, Deep Learning Methods and Applications, Foundations and Trends in Signal Processing 7:3-4, 2014
Further reading books
----------------------------
R.O. Duda e P.E. Hart, “Pattern Classification and Scene Analysis”, J. Wiley & Sons, 1973 (MAT 68-1973-03IN, ING2 EL.0069).
A. Uncini, Fundamentals of Adaptive Signal Processing - Springer, February 2015.
(Date degli appelli d'esame)
|
6
|
ING-IND/31
|
36
|
24
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
