Salta al contenuto principale della pagina

COGNITIVE TELECOMMUNICATION SYSTEMS

CODICE 60279
ANNO ACCADEMICO 2022/2023
CFU
  • 5 cfu al 2° anno di 10378 INTERNET AND MULTIMEDIA ENGINEERING(LM-27) - GENOVA
  • SETTORE SCIENTIFICO DISCIPLINARE ING-INF/03
    LINGUA Inglese
    SEDE
  • GENOVA
  • PERIODO 1° Semestre
    MATERIALE DIDATTICO AULAWEB

    PRESENTAZIONE

       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 L'insegnamento è erogato in lingua inglese. Si rimanda alla scheda-insegnamento compilata in tale lingua

    OBIETTIVI E CONTENUTI

    OBIETTIVI FORMATIVI

    The course aims at providing theory and techniques for architectural and functional design of interactive cognitive dynamic systems. Topics are related to data fusion, mutilevel bayesian state estimation and their application to cognitive video and radio domains. Project based learning allows students to acquire design capabilities in the field.

    OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

    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,

     

    PREREQUISITI

    Teoria delle Probabilità, Procesi aleatori, Teoria dei segnali

     

    MODALITA' DIDATTICHE

    L'insegnamento è erogato in lingua inglese. Si rimanda alla scheda-insegnamento compilata in tale lingua.

    PROGRAMMA/CONTENUTO

    L'insegnamento è erogato in lingua inglese. Si rimanda alla scheda-insegnamento compilata in tale lingua.

    TESTI/BIBLIOGRAFIA

     Slides of all lectures written  by the lecturer will be made available

    Books and research papers that can help the student to integrate concepts described during frontal activity are here provided and can be integrated during the year.  

    - 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., Selfaware 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 of the IEEE, vol. 102, no. 3, pp. 608–628, 2014.

    DOCENTI E COMMISSIONI

    LEZIONI

    Orari delle lezioni

    L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.

    ESAMI

    MODALITA' D'ESAME

    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  

    MODALITA' DI ACCERTAMENTO

     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  

    Calendario appelli

    Data Ora Luogo Tipologia Note
    12/01/2023 10:15 GENOVA Orale
    26/01/2023 10:15 GENOVA Orale
    09/02/2023 10:15 GENOVA Orale
    08/06/2023 10:15 GENOVA Orale
    22/06/2023 10:15 GENOVA Orale
    13/07/2023 10:15 GENOVA Orale
    27/07/2023 10:15 GENOVA Orale
    31/08/2023 10:15 GENOVA Orale
    14/09/2023 10:15 GENOVA Orale

    ALTRE INFORMAZIONI

    L'insegnamento è erogato in lingua inglese. Si rimanda alla scheda-insegnamento compilata in tale lingua.