PRESENTAZIONE

Soft Computing intende introdurre una famiglia di tecniche computazionali proprie dell'Intelligenza Artificiale che sono basate sull'emulazione di processi biologici.

Si introdurranno, in particolare, le reti neurali che emulano la capacità del cervello umano di apprendere e genetralizzare, il calcolo evolutivo che emula le capacità di adattamento delle specie biologiche, il fuzzy clustering che emula la capacità umana di gestire concetti vaghi e la swarm intelligence che emula la capacità di comunità animali di cooperare in maniera organizzata. Per ciascuno degli argomenti trattati è prevista una esercitazione di laboratorio in ambiente MATLAB.

Sia le lezioni teoriche sia lel lezioni di laboratorio si svolgeranno in presenza.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

L'insegnamento intende descrivere le principali tecniche di calcolo numerico basate sull'emulazione di processi biologici. L’obiettivo è dotare gli studenti di moderni strumenti computazionali di Intelligenza Artificiale quali reti neurali con e senza memoria, mappe auto-organizzanti, algoritmi genetici, calcolo evolutivo, swarm intelligence.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

L’obiettivo generale dell’insegnamento è fornire moderni strumenti computazionali, basati sull’emulazione di vincenti processi biologici, per la soluzione di problemi di classificazione, clustering, ottimizzazione, previsione. In particolare, obiettivi specifici degli argomenti trattati e delle esercitazioni di laboratorio previste, sono finalizzati all'acquisizione di competenze nell’ambito delle:

• Tecniche di apprendimento supervisionato e non supervisionato per problemi di classificazione, clustering e previsione (reti neurali);
• Tecniche di clustering (fuzzy clustering)
• Tecniche di ottimizzazione globale (calcolo evolutivo, swarm intelligence).

Al termine dell'insegnamento gli studenti sapranno:

• Progettare e implementare l'architettura di reti neurali a strato singolo e multistrato;
• Implementare algoritmi genetici e confrontarne le prestazioni al variare delle strategie di selezione, riproduzione e mutazione adottate;
• Risolvere problemi di clustering non supervisionato seguendo approcci di tipo fuzzy e inferire informazioni a posteriori sulle caratteristiche delle classi individuate;
• Implementare l'algoritmo di swarm intelligence ACO (Ant Colony Optimization).

PREREQUISITI

Tutti gli argomenti dell'insegnamento sono trattati in maniera autoconsistente. Lo studente deve comunque avere acquisito, durante il percorso triennale, conoscenze di base di Calcolo Numerico, necessarie ad affrontare i temi dell'insegnamento.

MODALITA' DIDATTICHE

L'insegnamento prevede lezioni teoriche, per un totale di 26 ore, e tre esercitazioni in laboratorio, per un totale di 26 ore. Sia le lezioni teoriche che le esercitazioni si terranno in presenza, in particolare la frequenza alle esercitazioni in laboratorio è fortemente consigliata. All’inizio di ogni attività di laboratorio è prevista una breve introduzione teorica con lo scopo di richiamare le tecniche computazionali che verranno utilizzate e definire i passi da seguire. Nella parte pratica, gli studenti, suddivisi in gruppi di due o tre e con il supporto dei docenti, dovranno implementare le tecniche descritte. Al termine di ogni attività di laboratorio, gli studenti dovranno consegnare un codice comprensivo di una breve relazione delle metodologie utilizzate e dei risultati ottenuti. L’organizzazione e le date di svolgimento delle singole attività di laboratorio verranno comunicate direttamente dai docenti durante le lezioni teoriche.

PROGRAMMA/CONTENUTO

Argomenti del corso

• Reti neurali
  • Generalità 
  • Percettrone semplice e percettrone multistrato
  • Cenni su Reti Neurali Ricorrenti e Mappe Auto-Organizzanti
  • Convolutionale Neural Networks (CNNs)
• Calcolo evolutivo
  • Generalità
  • Algoritmi genetici (alfabeti per la codifica degli individui, fitness, criteri di selezione per riproduzione operatori di crossover e mutazione, selezione naturale) 
• Swarm Intelligence
  • Particle Swarm Optimization
  • Ant Colony Optimization

TESTI/BIBLIOGRAFIA

Tutte le slides utilizzate durante le lezioni e altro materiale didattico saranno disponibili su Aulaweb. In generale, gli appunti presi durante le lezioni e il materiale su Aulaweb sono sufficienti per la preparazione dell'esame.

DOCENTI E COMMISSIONI

LEZIONI

INIZIO LEZIONI

In accordo col calendario accademico approvato dal Consiglio di Corso di Studi.

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

MODALITA' D'ESAME

Durante il semestre si svolgeranno tre esercitazioni di laboratorio per le quali saranno previsti termini di consegna dei relativi codici, comprensivi di una breve relazione delle metodologie utilizzate e dei risultati ottenuti. Valutazione positiva delle esercitazioni di laboratorio sarà requisito di ammissione ad una prova orale finale. Per gli studenti che avranno frequentato almeno il 75% delle ore di laboratorio la prova orale verterà sugli argomenti teorici del corso, per gli altri verterà anche sugli aspetti più tecnici delle esercitazioni di laboratorio.

Si ricorda alle studentesse e agli studenti con disabilità o con disturbi specifici dell'apprendimento (DSA) che per poter richiedere adattamenti in sede d'esame occorre seguire le istruzioni descritte in dettaglio alla pagina https://unige.it/disabilita-dsa/studenti-disturbi-specifici-apprendimento-dsa. In particolare, le agevolazioni vanno richieste con significativo anticipo (almeno 7 giorni) rispetto alla data di esame scrivendo al/alla docente con in copia il docente Referente di Scuola e l’Ufficio competente (vedi istruzioni).

MODALITA' DI ACCERTAMENTO

Le prove di laboratorio sono volte a testare le capacità pratiche acquisite per la risoluzione dei problemi posti e verranno valutate sulla base di diversi criteri:

• correttezza ed ottimizzazione del codice
• correttezza ed esposizione dei risultati (immagini, grafici, tabelle ..)
• commenti ai procedimenti seguiti e ai risultati ottenuti

La prova orale è infine volta a valutare la capacità di comunicare in maniera chiara e competente le conoscenze acquisite.

ALTRE INFORMAZIONI

Si consigliano gli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali di contattare i docenti all’inizio del corso per concordare modalità didattiche e d’esame che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali e forniscano idonei strumenti compensativi.