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.
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.
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.
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.
Ricevimento: Su appuntamento: mail (francesco.bellotti@unige.it) o Teams o dopo lezione
FRANCESCO BELLOTTI (Presidente)
LUCA LAZZARONI
MARCO RAGGIO
RICCARDO BERTA (Presidente Supplente)
https://easyacademy.unige.it
Lavoro di progetto su un esempio di applicazione di machine learning per la guida automatica
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.
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.
