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 e la swarm intelligence che emula la capacità di cooperare in maniera organizzata di comunità animali. Per ciascuno degli argomenti trattati è prevista una esercitazione di laboratorio in ambiente MATLAB.

Compatibilmente con l'evolvere dell'emergenza epidemiologica da COVID-19 ed eventuali misure in materia di contenimento, le lezioni si terranno 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 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.

MODALITA' DIDATTICHE

L'insegnamento prevede lezioni teoriche e tre esercitazioni in laboratorio. Compatibilmente con l'evolvere dell'emergenza epidemiologica da COVID-19 ed eventuali misure in materia di contenimento, sia le lezioni teoriche che le esercitazioni si terranno in presenza.

PROGRAMMA/CONTENUTO

Argomenti del corso

• Reti neurali
  • Generalità 
  • Percettrone semplice e percettrone multistrato
  • Reti Neurali Ricorrenti
  • Mappe Auto-Organizzanti
• Calcolo evolutivo
  • Generalità
  • Algoritmi genetici
  • Algoritmi evolutivi
• Swarm Intelligence
  • Particle Swarm Optimization
  • Ant Colony Optimization

TESTI/BIBLIOGRAFIA

Verranno fornite le dispense dell'insegnamento.

DOCENTI E COMMISSIONI

Commissione d'esame

Anna Maria MASSONE (Presidente)

SABRINA GUASTAVINO

LEZIONI

INIZIO LEZIONI

Dal 17 febbraio 2025 secondo l'orario riportato qui 

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. Valutazione positiva delle esercitazioni di laboratorio sarà requisito di ammissione ad una prova orale finale.

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 su Aulaweb https://2023.aulaweb.unige.it/course/view.php?id=12490#section-3 In particolare, le agevolazioni vanno richieste con significativo anticipo (almeno 10 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.

Calendario appelli

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.