CODICE 86960 ANNO ACCADEMICO 2024/2025 CFU 5 cfu anno 2 INGEGNERIA ELETTRONICA 8732 (LM-29) - GENOVA SETTORE SCIENTIFICO DISCIPLINARE ING-INF/03 LINGUA Italiano (Inglese a richiesta) SEDE GENOVA PERIODO 1° Semestre MATERIALE DIDATTICO AULAWEB PRESENTAZIONE L'insegnamento provvede agli studenti concetti di base ed avanzati sulla progettazione di metodi e tecniche per la data driven self-awareness in agenti autonomi artificiali. Signal Processing, Data Fusion e Machine learning sono affrontati in una prospettiva Bayesiana che è alla base delle metodologie descritte. OBIETTIVI E CONTENUTI OBIETTIVI FORMATIVI L'obiettivo formativo di questo modulo è di fornire agli studenti conoscenze e capacità relative alla elaborazione di dati e segnali provenienti da sensori eterogenei acquisiti da sistemi autonomi e semiautonomi. Verranno descritte teorie e metodi di apprendimento automatico (machine learning) incrementale finalizzati alla definizione ed utilizzo di modelli generativi Bayesiani. Lo studente acquisrà capacità relative alla messa in opera di soluzioni basata su tali modelli a problemi applicativi come la guida autonoma e la progettazione di sistemi cognitivi di agenti intelligenti. Inoltre imparerà ad applicare le tecniche studiate mediante programmazione (in Matlab e C) nel contesto di attività di laboratorio. 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 e comprendere 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 e comprendere 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 e comprendere 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 applicazione 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. - Essere capaci di iIntegrare 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 le conoscenze a dataset simulati o ricavati da sistemi artificiali che descrivano situazioni dinamiche di agenti autonomi (p.e.veicoli autonomi, robot e droni), dimostrando l'ablità di comunicare sotto forma di report, presentazioni con slide,poster, PREREQUISITI 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 MODALITA' DIDATTICHE L'insegnamento usa due diverse modalità didattiche principali: lezioni teoriche e metodologihe ed attività di laboratorio. Le lezioni frontali vengono corredate da slide che descrivono concetti teorici e metodologie e che sono la base delle discussioni in aula. Coprono circa 40 ore e possono essere registrate se le disposizioni dell'Ateneo per l'anno accademico lo consentono. Le attività di laboratorio mirano a applicare le metodologie viste a lezione mediante software in ambito Matlab cercando di fornire una visione integrata del loro uso nella progettazione di agenti self-aware. Gli studenti sono motivati a presentare report che vengono progressivamente discussi durante lo svolgimento delle esperienze di laboratorio (10) . L'attività di laboratorio consente allo studente di svogere in modo progressivo esercizi utili allo svolgimento della prova pratica di esame. I data set su cui si svolgono le elaborazioni durante il laboratorio sono simili a quelli assegnati in sede di esame. PROGRAMMA/CONTENUTO L'insegnamento è associabile agli Obiettivi di Sviluppo Sostnibile dell'Agenda ONU 203 Nr. 4,9, 11 L'insegnamento è erogato in lingua inglese. Si rimanda alla scheda-insegnamento compilata in tale lingua TESTI/BIBLIOGRAFIA 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. Gli studenti con disturbi specifici di apprendimento", DSA potranno uusfruire di specifiche modalità e supporti che saranno determinati caso per caso in accordo con il delegato ai corsi in Ingegneria nel Comitato per l'inclusione di studenti con disabilità . - 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. DOCENTI E COMMISSIONI CARLO REGAZZONI Ricevimento: Su appuntamento scrivendo a carlo.regazzoni@unige.it o su Aulaweb o su Teams PAMELA ZONTONE Commissione d'esame CARLO REGAZZONI (Presidente) SILVANA DELLEPIANE LUCIO MARCENARO (Presidente Supplente) PAMELA ZONTONE (Presidente Supplente) LEZIONI INIZIO LEZIONI https://corsi.unige.it/8732/p/studenti-orario Orari delle lezioni COGNITIVE DATA FUSION ESAMI MODALITA' D'ESAME L'insegnamento è erogato in lingua inglese. Si rimanda alla scheda-insegnamento compilata in tale lingua L'esame è organizzato in una parte scritta ed una orale. La parte scritta consiste nella descrizione del lavoro svolto relativo alla elaborazione di un dataset assegnato quindici giorni prima della data di esame mediante un report, un set di slide che verranno presentate durante l'esame e il codice relativo sviluppato. Lo studente deve dimostrare in questo svolgimento le conoscenze e capacità acquisite mediante le lezioni ed i laboratori. ll report deve essere sottomesso online in un folder assegnato allo studente almeno 4 giorni prima dell'esame orale. Il report dovrà essere considerato sufficiente per poter essere ammessi all'esame orale. La valutazione del report viene comunicata ilgiorno prima dell'esame orale. L'esame orale consiste in una discussione dei documenti presentati in sede di esame scritto e di un approfondimento mirato a dimostrare le conoscenze acquisite e la capacità di applicarle in modo integrato al problema affrontato le soluzioni e le scente di progetto effettuate e descritte nel report. La preentazione dei risultati scritti viene effettuata usando un massimo di 20 slide.La discussione orale per essere considerata sufficiente dovrà dimostrare chele scelte operate sono basata su una conoscenza appropriata ed una capacità di applicazione coerente delle nozioni teoriche acquisite. L'esame finale sarà considerato passato se la parte scritta avrà ricevuto almeno 12/20 punti E se l'eame orale avrà ottentuto almeno 6/10 punti. La lode verrà assehnata sulla base delle conoscenze dimostrate dallo studente nella parte orale Gli studenti con disturbi specifici di apprendimento", DSA potranno uusfruire di specifiche modalità e supporti che saranno determinati caso per caso in accordo con il delegato ai corsi in Ingegneria nel Comitato per l'inclusione di studenti con disabilità . The written part consists of presentation of either a report or a poster describing a set of activities and results done by the student aiming at demonstrating nowledge and capabilities he acquired along lecures and lab attendance. In case the student selects to process assigned dataset of the same type to the ones analyzed along lab experiences a report has to be presented. Otherwise the student can select and propose autonomously a case of study of interest agreed with the professor. The case of study should be oriented to the design of an integrated processing system base on course techniques capable to analyze a generic dataset whose specifics come for the choice of the case of study itself. A poster or a report can be presented in this case as written exams. The dataset or case of study have to be assigned/agreed at least three weeks before oral exam date on the basisof student request. In both cases the written text proposed by the student will have to show that student has acquired knowledge and capabilities presented in the course. The written exam will have to be delivered at indicated online repository at least 4 days before oral exam. The outcome of the evaluation of the written exam will be communicated the day before the oral exam. Oral exam will consist of discussion of the written exam, The student will have to prepare max 20 slides to describe results and approaches presented in the written text. Oral discussion will be oriented to demonstrate knowledge and capabilities to describe choices performed when developing report or poster, as well as to comment results and performances obtained/expected for the chosen problem. The oral exam will be passed in case the student will be admitted to the oral with at least 12 over 20 AND if the outcome of the oral will be at least 6 over 10. Laude can be assigned during the oral part. MODALITA' DI ACCERTAMENTO L'esame mira a stabilire i seguenti aspetti relativi alle capacità e capacità acquisite dallo studente. Livello di conoscenza acquisito rispetto alle teorie e ai metodi presentati durenate le lezioni. Livello di capacità rispetto alla definizione e parametrizzazione dei metodi operativi e di programmazione individuati per elaborare i dati assegnati in sede di esame scritto in corrispondenza a quanto appreso nei laboratori e nelle lezioni. Livello di conoscenza e di capacità nel motivare le scelte effettuate e nel saper descrivere e commentare i risultati ottenuti alla luce della discusssione in sede di esame orale. Calendario appelli Data appello Orario Luogo Tipologia Note 09/01/2025 10:15 GENOVA Orale 23/01/2025 10:15 GENOVA Orale 06/02/2025 10:15 GENOVA Orale 05/06/2025 10:15 GENOVA Orale 19/06/2025 10:15 GENOVA Orale 10/07/2025 10:15 GENOVA Orale 24/07/2025 10:15 GENOVA Orale 28/08/2025 10:15 GENOVA Orale 11/09/2025 10:15 GENOVA Orale Agenda 2030 Istruzione di qualità Lavoro dignitoso e crescita economica Imprese, innovazione e infrastrutture Città e comunità sostenibili