- Docente: Federico Baire
- Crediti formativi: 6
- Lingua di insegnamento: Italiano
- Moduli: Vittorio Maniezzo (Modulo 1) Federico Baire (Modulo 2)
- Modalità didattica: Convenzionale - Lezioni in presenza (Modulo 1) Convenzionale - Lezioni in presenza (Modulo 2)
- Campus: Cesena
- Corso: Laurea in Tecnologie dei sistemi informatici (cod. 5816)
-
Orario delle lezioni (Modulo 1)
dal 20/02/2023 al 13/03/2023
-
Orario delle lezioni (Modulo 2)
dal 20/03/2023 al 05/06/2023
Conoscenze e abilità da conseguire
Al termine del corso, lo studente conosce i principi dell'intelligenza artificiale e dell’apprendimento automatico e ne conosce le basi matematiche. Conosce alcuni framework di sviluppo del settore. È capace di concorrere alla progettazione di sistemi capaci di apprendere in modo automatico e di risolvere problemi in diversi ambiti applicativi utilizzando tecniche di intelligenza artificiale e di apprendimento automatico. Conosce obiettivi, principi e metodi per l'ottimizzazione.
Contenuti
Il corso è costituito di due moduli.
I contenuti si dividono nei seguenti macro argomenti:
Modulo 1:
- Fondamenti di Python.
- Basi di Reti Neurali.
- Statistica per il Machine Learning.
Modulo 2:
Elaborazione di immagini:
- Fondamenti.
- Framework OpenCV.
PyTorch:
- Fondamenti del framework.
- Sviluppo progetti e analisi casi d'uso.
Testi/Bibliografia
Il materiale didattico è fruibile on-line e regolarmente fornito prima dello svolgersi della lezione.
Sono consigliati, a supporto della didattica, i seguenti testi:
- Digital Image Processing - Gonzalez, Woods - Pearson
- Deep Learning from Scratch: Building with Python from First Principles - Weidman - O'Reilly
- Programming PyTorch for Deep Learning: Creating and Deploying Deep Learning Applications - Pointer - O'Reilly
Sono consigliati, a supporto della didattica, i seguenti riferimenti:
- Pattern Recognition and Machine Learning: https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf
- PytTorch: https://pytorch.org/
- OpenCV: https://opencv.org/
Metodi didattici
Il corso si svolge tramite lezioni frontali e di laboratorio.
E' prevista la presenza di un tutor in supporto alla didattica.
Modalità di verifica e valutazione dell'apprendimento
La valutazione finale è costituita da:
- Una verifica di idoneità che attesti la comprensione degli argomenti svolti nel modulo 1.
- Lo sviluppo di un progetto, individuale o a gruppi, che attesti la comprensione degli argomenti svolti nel modulo 2.
Strumenti a supporto della didattica
IDE:
- VS Code: https://code.visualstudio.com/
- PyCharm: https://www.jetbrains.com/pycharm/
Strumenti:
- Jupyter: https://jupyter.org/
- Google Colab: https://colab.research.google.com/
- Anaconda: https://www.anaconda.com/products/distribution
Orario di ricevimento
Consulta il sito web di Federico Baire
Consulta il sito web di Vittorio Maniezzo