Dopo una introduzione agli algoritmi fondamentali dell'Itelligenza Artificiale (IA), verrà mostrato come l'IA sia un potente alleato nella progettazione in campo ingegneristico. Verranno studiate ed indagate diverse applicazioni trasversali dell'Ingegneria: dalla risoluzione e ottimizzazione di modelli matematici e sistemi fisici, all'analisi e classificazione di dati. Al termine del corso, gli studenti saranno in grado di utilizzare tecniche di IA anche senza l'utilizzo di librerie o software specifici.
scheda docente
materiale didattico
Modellistica numerica ed uso del computer nel calcolo scientifico
Reti neurali artificiali: il percettrone multistrato (MLP)
Interpolazione ed approssimazione con reti neurali (regressione lineare e non lineare), esempio grafico anche in 3D
Addestramento supervisionato: algoritmo di backpropagation per il calcolo del gradiente della funzione di errore di un MLP
Introduzione all'ottimizzazione: algoritmi di addestramento
Reti neurali convolutive (CNN)
Reti neurali ricorsive (RNN)
Addestramento non supervisionato
Addestramento a rinforzo
Reti neurali generative
Algoritmi genetici
Swarm intelligence
Sviluppo di codici sorgenti in C/C++ come librerie per Matlab e Python
Esempi di applicazioni:
Simulazione di una cella solare con reti neurali
Reti neurali per ottimizzazione di pannelli solari
Solarimetro neurale
Risoluzione dei circuiti termici
Calcolo dei parametri del modello statico di Jiles – Atherton
Calcolo dei parametri del modello ad un diodo di una cella solare
https://d2l.ai/
Mutuazione: 20810398 INTELLIGENZA ARTIFICIALE PER L'INGEGNERIA in Ingegneria elettronica per l'industria e l'innovazione LM-29 RIGANTI FULGINEI FRANCESCO
Programma
Introduzione all'Intelligenza ArtificialeModellistica numerica ed uso del computer nel calcolo scientifico
Reti neurali artificiali: il percettrone multistrato (MLP)
Interpolazione ed approssimazione con reti neurali (regressione lineare e non lineare), esempio grafico anche in 3D
Addestramento supervisionato: algoritmo di backpropagation per il calcolo del gradiente della funzione di errore di un MLP
Introduzione all'ottimizzazione: algoritmi di addestramento
Reti neurali convolutive (CNN)
Reti neurali ricorsive (RNN)
Addestramento non supervisionato
Addestramento a rinforzo
Reti neurali generative
Algoritmi genetici
Swarm intelligence
Sviluppo di codici sorgenti in C/C++ come librerie per Matlab e Python
Esempi di applicazioni:
Simulazione di una cella solare con reti neurali
Reti neurali per ottimizzazione di pannelli solari
Solarimetro neurale
Risoluzione dei circuiti termici
Calcolo dei parametri del modello statico di Jiles – Atherton
Calcolo dei parametri del modello ad un diodo di una cella solare
Testi Adottati
Dive into deep learninghttps://d2l.ai/
Modalità Frequenza
Frequenza facoltativa ma altamente raccomandataModalità Valutazione
Progettazione ed implementazione di un modello di machine learning