CODICE | 86960 |
---|---|
ANNO ACCADEMICO | 2021/2022 |
CFU | 5 cfu al 2° anno di 8732 INGEGNERIA ELETTRONICA (LM-29) GENOVA |
SETTORE SCIENTIFICO DISCIPLINARE | ING-INF/03 |
LINGUA | Italiano (Inglese a richiesta) |
SEDE | GENOVA (INGEGNERIA ELETTRONICA ) |
PERIODO | 1° Semestre |
MATERIALE DIDATTICO | AULAWEB |
This course aims at provining to the Master student basic and advanced concepts on the design of methods and techniques for data driven self-awareness in autonomous artificial agents . Signal Processing, Data Fusion and Machine learning under a Bayesian pespective will be the key dimensions on which introduced concepts will be described. Laboratory application and agent design will integrate course theoretical activities
The goal of this module is to provide students with knowledge and capabilities for processing heterogeneous multisensory signals acquired by autonomous and semiautonomous systems, including human machine interaction. Machine learning methods will be addressed for estimating optimized Bayesian dynamic cognitive models in a data driven way. Capabilities of the students to produce new solutions based on such methods to state of the art problems will be addressed, together with acquisition of programming related capabilities by means of laboratory activities.
La frequenza e la partecipazione attiva alle attività formative proposte (lezioni frontali e attività in laboratorio) e lo studio individuale consentiranno allo studente di
-Conoscere i fondamenti sulle architetture e le logiche di rappresentazione della conoscenza in sistemi e reti di agenti cognitivi autonomi e semi autonomi multisensoriali, artificiali, dinamici ed autoorganizzanti
- Conoscere le principali metodologie probabilistiche di rappresentazione , elaborazione e fusione di segnali temporali propriorecettivi ed exterorecettivi multisensoriali in agenti cognitivi dinamici (p.e. veicoli semi autonomi, radio cognitive, etc.)
- Conoscere le metodologie di apprendimento automatico data driven e non supervisionato di modelli dinamici predittivi e di analisi (modelli generativi) a partire da sequenze temporali di segnali eterogenei
-Conoscere e acquisire capacità di uso di strumenti di programmazione e di simulazione per analizzare dataset preregistrati di sequenze temporali ed applicare a tali sequenze metodi di apprendimento di modelli generativi e metodi di predizione e stima dinamica dello stato degli agenti.
- Integrare le conoscenze suddette nell'ambito di framework di laboratorio per sviluppare prototipi simulativi di agenti cognitivi dinamici artificiali con funzionalità di la Situation awareness e di Self awareness
- Acquisire la capacità di analizzare, commentare e descrivere i risultati ottenuti applicando quanto appreso a dataset simulati o ricavati da sistemi artificiali che descrivano situazioni dinamiche di agenti autonomi (p.e.veicoli autonomi, robot e droni), sotto forma di report, presentazioni con slide,poster,
Essendo un corso magistrale del secondo anno, lo studente deve avere acquisito:
- conoscenze di base sulla teoria delle probabilitità, i processi casuali, la teoria dei segnali.aleatori
- conoscenze di base di programmazione e ambienti di programmazione p.e. Matlab
The course is divided in two parts. Lectures in frontal teaching modality presented together with slides will aim at describing the theroretical concepts and the techniques. Such lectires will cover 40 hours and can be recorded and made available on those channels recommended by Univeristy of Genova. The second part is done within a laboratory carried on by an expert of the field and will involve application of programs in Matlab framework that correspond to theories and techniqeus shon at lectures. Students will be required to present a report at the end of each lab experience. 10 Lab experiences are planned and will help students to be prepared to present the final report to be discussed during the exam that will show application and discussion of techniques abnd results over a dataset assigned..
Tutte le slides utilizzate durante le lezioni ed i laboratori e altro materiale didattico saranno disponibili su aul@web. In generale, gli appunti presi durante le lezioni e il materiale su aul@web sono sufficienti per la preparazione dell'esame.Tutte le slides utilizzate durante le lezioni e altro materiale didattico saranno disponibili su aul@web. In generale, gli appunti presi durante le lezioni e il materiale su aul@web sono sufficienti per la preparazione dell'esame.
- A. R. Damasio, Looking for Spinoza: Joy, Sorrow, and the Feeling Brain, 1st ed. Orlando: Harcourt, 2003. [Online]. Available:http://lccn.loc.gov/2002011347
- S. Haykin, Cognitive Dynamic Systems: Perception-action Cycle, Radar and Radio, ser. Cognitive Dynamic Systems: Perception–action Cycle, Radar, and Radio. Cambridge University Press, 2012.
- P. R. Lewis, M. Platzner, B. Rinner, J. Torresen, and X. Yao, Eds., Self aware Computing Systems: An Engineering Approach. Springer, 2016.
- K. J. Friston, B. Sengupta, and G. Auletta, “Cognitive dynamics: From attractors to active inference,” Proceedings of the IEEE, vol. 102, no. 4, pp. 427–445, 2014. [Online]. Available:
https://doi.org/10.1109/JPROC.2014.2306251
- S. Haykin and J. M. Fuster, “On cognitive dynamic systems: Cognitive neuroscience and engineering learning from each other,” Proceedings ofthe IEEE, vol. 102, no. 3, pp. 608–628, 2014.
CARLO REGAZZONI (Presidente)
SILVANA DELLEPIANE
LUCIO MARCENARO
The course is divided in two parts. Lectures in frontal teaching modality presented together with slides will aim at describing the theroretical concepts and the techniques. Such lectires will cover 40 hours and can be recorded and made available on those channels recommended by Univeristy of Genova. The second part is done within a laboratory carried on by an expert of the field and will involve application of programs in Matlab framework that correspond to theories and techniqeus shon at lectures. Students will be required to present a report at the end of each lab experience. 10 Lab experiences are planned and will help students to be prepared to present the final report to be discussed during the exam that will show application and discussion of techniques abnd results over a dataset assigned..
L'esame si compone di una parte scritta e di una parte orale
La parte scritta consiste nella presentazione di un report o di un poster che descrivano le attività svolte dallo studente per dimostrare le conoscenze e le capacità che ha acquisito in lezioni e laboratori. Il report viene presentato qualora lo studente scelga di elaborare un data set assegnato alla fine del corso con le tecniche apprese nel laboratorio, Il dataset viene assegnato su richiesta dello studente almeno tre settimane prima della prova orale. Alternativamente, il poster o un report possono essereproposti dallo studente se sceglie di selezionare autonomomamente un caso di studio o un dataset concordato con il docente. In tal caso l'eleborato dovrà provare in modo analogo che lo studente ha acquisito capacità e conoscenze analoghe a quelle del caso precedente. In enrìtrambi i casi l'eleborato deve essere consegnato almeno 4 giorni prima della data stabilita a calendario dell'esame orale. L'esito dell'esame scritto e l'ammissione all'esame orale viene comunicato il giorno prima dell'esame orale.
La parte orale consiste nella discussione dell'eleborato scritto. Lo studente deve preparare un numero massimo di 20 slide per descrivere i risultati presentati nell'eleborato. La discussione è orientata a dimostrare la capacità dello studente nel descrivere le scelte che ha operato nella estensione dell'eleborato e che sono basate sulla conoscenza di teorie e tecniche viste nel corso oltre cha a commentare i risultati descitti nell'eleborato.
Il superamento della prova orale presuppone l'ammissione ad essa sulla base di un punteggio della prova orale pari ad almeno 12 su 20. La prova orale si considera superata se lo studente ottiene almeno un punteggio di 6 su 10. La eventuale lode viene attribuita in sede di orale
L'esame si prefigge di accertare i seguenti aspetti della preparazione dello studente:
Conoscenze acquisite circa le teorie e le tecniche presentate nelle lezioni del corso
Capacità di applicarle in modo integrato relativamente al problema di analisi dei dati (dataset) o di progettazione del sistema di analisi dei dati (caso di studio) selezionato per la prova scritta
Capacità di motivare le scelte effettuate nella stesura dell'elaborato sull base di conoscenze teoriche e caratteristiche delle tecniche apprese e sperimentate durante i laboratori, commentare i risultati ottenuti durante la discussione orale enti
Data | Ora | Luogo | Tipologia | Note |
---|---|---|---|---|
13/01/2022 | 10:15 | GENOVA | Orale | |
27/01/2022 | 10:15 | GENOVA | Orale | |
10/02/2022 | 10:15 | GENOVA | Orale | |
09/06/2022 | 10:15 | GENOVA | Orale | |
23/06/2022 | 10:15 | GENOVA | Orale | |
14/07/2022 | 10:15 | GENOVA | Orale | |
28/07/2022 | 10:15 | GENOVA | Orale | |
25/08/2022 | 10:15 | GENOVA | Orale | |
15/09/2022 | 10:15 | GENOVA | Orale |