CODICE 108716 ANNO ACCADEMICO 2024/2025 CFU 5 cfu anno 2 INGEGNERIA ELETTRONICA 8732 (LM-29) - GENOVA SETTORE SCIENTIFICO DISCIPLINARE ING-INF/01 SEDE GENOVA PERIODO 1° Semestre MODULI Questo insegnamento è un modulo di: ADVANCED MACHINE LEARNING & MACHINE LEARNING FOR AUTOMATED DRIVING MATERIALE DIDATTICO AULAWEB OBIETTIVI E CONTENUTI OBIETTIVI FORMATIVI L'insegnamento intende introdurre lo studente alle tecniche fondamentali di machine learning usate nella guida automatica, con particolare attenzione all'aspetto della percezione. Lo studente sarà stimolato a sviluppare capacità analitiche e progettuali anche attraverso la realizzazione di un elaborato su un caso d'uso reale. OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO L’obiettivo principale del corso è che lo studente giunga a possedere un’ampia conoscenza delle tecniche di deep learning allo stato dell’arte per la guida automatica. Per ogni argomento trattato, lo studente avrà l’opportunità di apprendere le basi teoriche, ed il codice applicativo. Esempi sono proposti al fine di verificare l’acquisizione delle conoscenze e stimolarne l’applicazione. Gli esempi del corso utilizzeranno il linguaggio python e le librerie sk-learn, sk-time, Keras/Tensorflow. Il progetto che verrà concordato per l’esame è finalizzato a stimolare e verificare le capacità progettuali ed implementative dello studente, oltre alla verifica operativa sul campo di una parte significativa delle conoscenze acquisite. I risultati di apprendimento riguardano la realizzazione degli obiettivi formativi di cui sopra, anche attraverso l’implementazione di un progetto. Al termine del corso lo studente sarà in grado di analizzare e progettare soluzioni di deep learning allo stato dell’arte per la percezione del contesto e la predizione della sua evoluzione. MODALITA' DIDATTICHE Lezioni frontali, con utilizzo di slide, ed esempi/esercizi svolti al PC, utilizzando principalmente le librerie sk-learn, sk-time, Keras/Tensorflow, in linguaggio python. Ricevimento studenti. Proposta, realizzazione e discussione di un progetto. PROGRAMMA/CONTENUTO Introduction to machine learning for automated driving Training & pre-training of multilayer perceptrons Optimizers Regularization CNN architectures CNN training Object detection Semantic/panoptic segmentation Yolop Graphnet Timeseries classification and prediction LSTM, 1D convolution Transformers Autoencoders Generative adversarial networks Explainable machine learning Unsupervised machine learning (clustering and anomaly detection) TESTI/BIBLIOGRAFIA A. Geron, Hands-On Machine Learning With Scikit-Learn and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent, O’ Reilly I. Goodfellow, Y. Bengio and A. Courville, Deep Learning, The MIT Press Documentazione delle librerie utilizzate Appunti del corso e altro materiale suggerito dal docente durante il corso modalità di fruizione. Gli studenti con disabilità possono contattare il docente per concordare le migliori modalità di fruizione. DOCENTI E COMMISSIONI FRANCESCO BELLOTTI Ricevimento: Su appuntamento: mail (francesco.bellotti@unige.it) o Teams o dopo lezione Commissione d'esame FRANCESCO BELLOTTI (Presidente) LUCA LAZZARONI MARCO RAGGIO RICCARDO BERTA (Presidente Supplente) LEZIONI INIZIO LEZIONI https://easyacademy.unige.it Orari delle lezioni L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy ESAMI MODALITA' D'ESAME Lavoro di progetto su un esempio di applicazione di machine learning per la guida automatica MODALITA' DI ACCERTAMENTO La valutazione avverrà nei vari passi della preparazione del progetto: colloqui di definizione, progettazione/implementazione della soluzione, discussione finale di un elaborato descrittivo del lavoro svolto. Il docente terrà anche presente la partecipazione dello studente durante il corso. Calendario appelli Data appello Orario Luogo Tipologia Note 08/01/2025 09:00 GENOVA Orale 31/01/2025 09:00 GENOVA Orale 14/02/2025 09:00 GENOVA Orale 04/06/2025 09:00 GENOVA Orale 02/07/2025 09:00 GENOVA Orale 25/07/2025 09:00 GENOVA Orale 03/09/2025 09:00 GENOVA Orale ALTRE INFORMAZIONI Gli studenti con disabilità o con DSA possono fare richiesta di misure compensative/dispensative per l'esame. Le modalità saranno definite caso per caso insieme al Referente per Ingegneria del Comitato di Ateneo per il supporto agli studenti disabili e con DSA. Gli studenti che volessero farne richiesta sono invitati a contattare il docente dell'insegnamento con congruo anticipo mettendo in copia il Referente per Ingegneria (https://unige.it/commissioni/comitatoperlinclusionedeglistudenticondisabilita.html), senza inviare documenti in merito alla propria disabilità.
