INGLESE

Il corso si compone di tre moduli
- Fondamenti (3CFU)
- Elaborazione del segnale e Reti Neurali (3 CFU)
- Fondamenti di Machine Learning e Laboratorio Applicativo (6 CFU)

Modulo A: Fondamenti
Introduzione all'intelligenza artificiale: concetti fondamentali: agente, ambiente, performance - fondamenti: teoria della computazione - modelli di agenti intelligenti
Problem Solving: strategie di ricerca informate
Ricerca locale e Problemi di ottimizzazione
CSP
Conoscenza, ragionamento e pianificazione: agenti logici
Modulo B: Elaborazione del segnale e reti neurali
Fondamenti di elaborazione del segnale;
Elaborazione del segnale vocale
Basi neurologiche per la modellazione di reti neurali artificiali
Mc Culloch e il neurone di Pitts. Il percettore. Reti neurali multistrato. Reti ricorrenti
Modelli di apprendimento: apprendimento supervisionato, apprendimento non supervisionato
Mappe autoorganizzanti (SOM) e Modello Kohonen

Modulo C: Fondamenti di Machine Learning e Laboratorio Applicativo
Learning from Examples
Learning Probabilistic Models
Deep Learning
Reinforcement Learning
Applicazioni del Machine Learning:
Elaborazione del Linguaggio Naturale
Modelli di Deep Learning per l’Elaborazione del Linguaggio Naturale:
Modelli di pre-elaborazione per la riduzione della dimensionalità;
Modelli di Reti Neurali Deep;
Applicazioni nell’ambito del Text Mining
Elaborazione delle Immagini e Computer Vision
Algoritmi di Analisi dei segnali visivi
Modelli di Reti Neurali Deep per l’elaborazione delle Immagini
Applicazioni:
Sicurezza
Diagnostica Medica
Supporto alle Decisioni

Laboratorio ed Esercitazioni Pratiche
Utilizzo dei principali Frameworks per la progettazione e l’addestramento di DNN
Librerie Python 3.x per Deep Learning
TensorFlow Keras
PyTorch
Word2Vec
BERT

S. Russell, P. Norvig, Artificial intelligence: a modern approach, volume I, Pearson
Beale R, Jackson T (1990) Neural Computing: an Introduction, Adam Hilger Bristol, Philadelphia and New York Publishing
Dubuisson B (2001) NEURAL NETWORKS, GENERAL PRINCIPLES, doi:10.1006/rwvb.2001.0150
Vapnik VN (2000) The Nature of Statistical Learning Theory. Springer Series in Statistics. Springer.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
Eisenstein, J. (2019). Introduction to natural language processing. MIT press.

Il corso presenta le basi per modellare agenti artificiali che interagiscono con ambienti mutevoli. Si occupa della rappresentazione della conoscenza, delle strategie di problem solving e dell'apprendimento comportamentale.
Il modulo B fornisce modelli matematici di reti neurali e la loro applicazione per la sintesi e il riconoscimento di segnali fisici.
Il Modulo C introduce i concetti fondamentali alla base di alcuni dei più recenti e comuni modelli di reti neurali basate su deep learning, illustrandone l’utilizzo in domini quali l’elaborazione automatica del linguaggio naturale e delle immagini e delle loro più comuni applicazioni. Infine, il modulo fornisce le competenze per l’utilizzo di ambienti di progettazione e programmazione avanzata di reti neurali deep e di pipeline applicative per l’elaborazione dei segnali.
Risultati di apprendimento attesi:
Durante il corso lo studente dovrà acquisire le seguenti abilità:
• La capacità di identificare i modelli matematici più idonei per la risoluzione di un problema e per la loro implementazione algoritmica;
• La capacità di analizzare la complessità del modello matematico prescelto;
• La capacità di mappare metodi e strumenti a problemi complessi, progettare e implementare agenti artificiali e stimare costi e prestazioni.
• Una buona conoscenza della struttura fondamentale dei segnali fisici e del loro utilizzo in situazioni concrete;
• La capacità di analizzare la complessità delle operazioni supportate dai modelli di rete neurale;
• La capacità di modellare una rete neurale adottando gli opportuni strumenti e ambienti applicativi di sviluppo.

Lo studente deve avere sia delle buone abilità informatiche sia una buona conoscenza della matematica di base.
Consolidata conoscenza dei fondamenti del linguaggio di programmazione Python.

Il corso prevede una serie di lezioni pratico-teoriche, in cui verranno presentati segnali reali e fisici e problemi relativi al loro trattamento e codificazione su sistemi di elaborazione automatica.
Requisiti di frequenza
La frequenza al corso è altamente raccomandata. Per raggiungere un'adeguata preparazione, lo studente dovrebbe dedicare in media un'ora di studio individuale per ogni ora di lezione in aula e un'ora di esercitazione individuale di laboratorio.

La valutazione finale avviene mediante esame orale sui contenuti del corso e presentazione di un progetto.
Il progetto comprende in un quadro unitario tutti gli argomenti del corso, ed è strumentale per fornire allo studente la capacità di applicare le conoscenze acquisite e lavorare in team
Il voto è la somma ponderata del contenuto del progetto (50%), della presentazione del progetto (25%) e dell'esame orale (25%)
La prova orale verte su tutti i contenuti del libro di riferimento e del materiale fornito. La valutazione è in trentesimi. L'esame si svolge in lingua inglese. L'esame si considera superato se viene raggiunto un voto pari o superiore a 18/30. In particolare:
- Mancato superamento dell'esame: il candidato non raggiunge alcun obiettivo formativo
- Dalle 18 alle 21: Il candidato risponde correttamente alle domande ma senza la capacità di creare connessioni critiche con problemi reali.
-Da 22 a 26: Il candidato risponde correttamente alle domande con un'adeguata capacità di creare connessioni critiche con problemi reali-
-Da 27 a 30 e lode: Il candidato risponde correttamente alle domande, dimostrando piena indipendenza di giudizio e di critica, articolando il discorso in modo specialistico con un'ottima esposizione di vocabolario ed esposizione.

Materiale aggiuntivo sarà disponibile sul sito web del corso

Modulo A Fondamenti
- Introduzione all'intelligenza artificiale: concetti fondamentali: agente, ambiente, performance - fondamenti: teoria della computazione - modelli di agenti intelligenti
- Problem Solving: strategie di ricerca informate
- Ricerca locale e Problemi di ottimizzazione
- CSP
- Conoscenza, ragionamento e pianificazione: agenti logici
Modulo B Elaborazione del segnale e reti neurali
- Fondamenti di elaborazione del segnale;
- Elaborazione del segnale vocale;
- Basi neurologiche per la modellazione di reti neurali artificiali;
- Mc Culloch e il neurone di Pitts. Il percettore. Reti neurali multistrato. Reti ricorrenti;
-Modelli di apprendimento: apprendimento supervisionato, apprendimento non supervisionato;
-Mappe autoorganizzanti (SOM) e Modello Kohonen;
Modulo C: Fondamenti di Machine Learning e Laboratorio Applicativo
Learning from Examples
Learning Probabilistic Models
Deep Learning
Reinforcement Learning
Applicazioni del Machine Learning:

Elaborazione del Linguaggio Naturale
Tipologie e Approcci di Analisi del Testo
Riconoscimento delle parti del discorso (PoS Tagging)
Riconoscimento delle dipendenze logiche di parti del discorso (Dependency Parsing)
Riconoscimento di Entità Nominali (Named Entity Recognition)
Modelli di Deep Learning per l’Elaborazione del Linguaggio Naturale:
Modelli di pre-elaborazione per la riduzione della dimensionalità:
Word Embeddings
Autoencoders
Modelli di Reti Neurali Deep:
Reti Convoluzionali (CNNs)
Reti Ricorrenti (RNNs)
Reti Ricorrenti Sequenziali Bidirezionali (LSTM/Bi-LSTM)

Applicazioni nell’ambito del Text Mining:
Detezione delle Opinioni,
Analisi della polarità dei testi (opinion mining e sentiment analysis)
Riconoscimento di discorsi a contenuto offensivo, provocatorio e scorretto
Tutela della privacy e anonimizzazione dei dati sensibili
Rilevazione delle Notizie False (Fake News) Detection;

Elaborazione delle Immagini e Computer Vision
Algoritmi di Analisi dei segnali visivi
Modelli di Reti Neurali Deep per l’elaborazione delle Immagini
Rete ResNet
Database ImageNet
Applicazioni:
Sicurezza
Diagnostica Medica
Supporto alle Decisioni


Laboratorio ed Esercitazioni Pratiche
Utilizzo dei principali Frameworks per la progettazione e l’addestramento di DNN
Librerie Python 3.x per Deep Learning
TensorFlow Keras
PyTorch
Word2Vec
BERT

ENGLISH

The course consists of three modules
- Fundamentals (3CFU)
- Signal processing and Neural Networks (3 CFU)
- Machine Learning Fundamentals, Practice and Applications (6CFU)

Module A: Fundamentals
Introduction to artificial intelligence: fundamental concepts: agent, environment, performance - foundations: theory of computation - intelligent agent models
Problem Solving: informed search strategies - local search and optimization problems
CSP
Knowledge, reasoning, and planning: Logical Agents


Module B: Signal processing and Neural Networks
Fundamentals of signal processing;
Voice signal processing
Neurological basis for modeling artificial neural networks
Mc Culloch and Pitts' neuron. The perceptor. Multilayer Neural Networks. Recurring networks
Learning models: supervised learning, unsupervised learning
Self organizing Maps (SOM) and Kohonen Model

Module C: Machine Learning Fundamentals, Practice and Applications
Learning from Examples
Learning Probabilistic Models
Deep Learning
Reinforcement Learning
Machine Learning Applications
Natural Language Processing (NLP)
Deep Learning Models for NLP:
Preprocessing Models for dimensionality reduction
Deep Neural Networks Models
Practical Examples and Applications to Text Mining
Image Processing and Computer Vision(CV)
Image Processing Methods and Algorithms
Deep Neural Networks Models for CV
Applications of CV:
Security
Healthcare and Medicals
Decision Support

Lab and Practical Activities
Practical introduction to the most common programming environments and frameworks for Deep Learning and Deep Neural Networks design and management:
Python Modules for Deep Learning
TensorFlow Keras
PyTorch
Word2Vec
BERT

S. Russell, P. Norvig, Artificial intelligence: a modern approach, volume I, Pearson
Beale R, Jackson T (1990) Neural Computing: an Introduction, Adam Hilger Bristol, Philadelphia and New York Publishing
Dubuisson B (2001) NEURAL NETWORKS, GENERAL PRINCIPLES, doi:10.1006/rwvb.2001.0150
Vapnik VN (2000) The Nature of Statistical Learning Theory. Springer Series in Statistics. Springer.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
Eisenstein, J. (2019). Introduction to natural language processing. MIT press.

The course presents the foundations for modelling artificial agents interacting with changing environments. It addresses knowledge representation, problem solving strategies and behavioral learning.
Module B provides mathematical models of neural networks and their application for the synthesis and recognition of physical signals.
Module C introduces basic concepts for understanding some of the most common neural networks models recently based on deep learning and provides examples of effective application domains, as the ones provided by the automatic natural language processing and automatic computer vision.
Finally, this module provides basis for approaching structured programming environments and frameworks and the skills to design and implement a deep neural network able to solve an effective application problem to process any kind of signals.
Expected learning outcomes:
During the course the student should acquire the following skills:
The ability to identify the most suitable mathematical models for solving a problem and for their algorithmic implementation;
The ability to analyze the complexity of the chosen mathematical model;
The ability to map methods and tools to complex problems, design and implement artificial agents and estimate cost and performance.
A good knowledge of the fundamental structure of physical signals and their use in concrete situations;
The ability to analyze the complexity of the operations supported by neural network models;
The ability to model a neural network by adopting the suitable programming tools and frameworks.

Basic notions of mathematics and computer science.
Well-assessed notions of Python programming language.

The course provides a series of practical-theoretical lessons, where real and physical signals and problems related to their treatment and coding on automatic processing systems will be presented.
Frequency requirements
Course attendance is highly recommended. To achieve adequate preparation, the student should spend an average of two hours of individual study for each hour of classroom lessons and one hour of individual laboratory practice.

The final evaluation is by oral examination on the contents of the course and presentation of a project.
The project includes into a unitary framework all the topics of the course, and is instrumental for providing the student with the skill for applying the acquired knowledge and working in team
The grade is the weighted sum of project content (50%), project presentation (25%) and oral examination (25%)
The oral exam focuses on all contents of referred book and material provided. The evaluation is in thirtieths. The exam take place in English. The exam is considered passed if a grade equal to or greater than 18/30 is reached. In particular:
- Failure to pass the exam: the candidate does not reach any learning objective
- From 18 to 21: The candidate answers the questions correctly but without the ability to create critical connections with real problems.
-From 22 to 26: The candidate answers the questions correctly with an adequate ability to create critical connections with real problem-
-From 27 to 30 cum laude: The candidate answers the questions correctly, showing full independence of judgment and criticism, articulating the discourse in a specialized way with an excellent display of vocabulary and exposition.

Additional material will be available on the course website

Module A Fundamentals
- Introduction to artificial intelligence: fundamental concepts: agent, environment, performance - foundations: theory of computation - intelligent agent models
- Problem Solving: informed search strategies - local search and optimization problems - CSP
- Knowledge, reasoning, and planning: Logical Agents
Module B Signal processing and Neural Networks
- Fundamentals of signal processing;
-Voice signal processing;
-Neurological basis for modeling artificial neural networks;
-Mc Culloch and Pitts' neuron. The perceptor. Multilayer Neural Networks. Recurring networks;
-Learning models: supervised learning, unsupervised learning;
-Self organizing Maps (SOM) and Kohonen Model;
Module C:
Module C: Machine Learning Fundamentals, Practice and Applications
Learning from Examples
Learning Probabilistic Models
Deep Learning
Reinforcement Learning
Machine Learning Applications

Natural Language Processing (NLP)
NLP and Text Analysis Approaches:
Part-of-Speech Recognition (PoS Tagging)
Dependency Parsing and Co-reference Resolution
Named Entity Recogntion (NER)
Deep Learning Models for NLP:
Preprocessing Models for dimensionality reduction:
Word Embeddings
Autoencoders
Deep Neural Networks Models:
Convolutional Neural Networks (CNNs)
Recurrent Neural Networks (RNNs)
BIDIRECTIONAL LONG SHORT TERM MEMORY Networks (Bi-LSTM)

Practical Examples and Applications to Text Mining:
Opinion Mining
Sentiment Analysis
Hateful Speech Recognition
Privacy Preserving Anonymization
Fake News Detection

Image Processing and Computer Vision(CV)
Image Processing Methods and Algorithms
Deep Neural Networks Models for CV
ResNet Network
ImageNet Database
Applications of CV:
Security
Healthcare and Medicals
Decision Support

Lab and Practical Activities
Practical introduction to the most common programming environments and frameworks for Deep Learning and Deep Neural Networks design and management:
Python Modules for Deep Learning
TensorFlow Keras
PyTorch
Word2Vec
BERT