Il corso si propone di fornire agli studenti una comprensione avanzata delle tecniche di intelligenza artificiale applicate all’ingegneria elettromagnetica, con particolare riferimento all’analisi, modellazione, progettazione e ottimizzazione di dispositivi e sistemi per le telecomunicazioni.
Al termine del corso, lo studente sarà in grado di:
- comprendere e analizzare criticamente i principali algoritmi di apprendimento automatico, con applicazioni specifiche al dominio elettromagnetico;
- implementare modelli di intelligenza artificiale per la previsione di parametri elettromagnetici e per la progettazione assistita di antenne, metamateriali e circuiti RF;
- integrare tecniche di AI nei workflow simulativi basati su metodi numerici;
- valutare le prestazioni dei modelli addestrati in funzione della qualità e quantità dei dati, della complessità computazionale e della generalizzabilità;
- utilizzare strumenti software avanzati per l’addestramento, la validazione e il testing di reti neurali e modelli statistici;
- sviluppare un approccio critico e consapevole all’utilizzo dell’intelligenza artificiale in contesti scientifici e ingegneristici, con attenzione all’affidabilità dei risultati e ai limiti epistemologici dei modelli predittivi.
Al termine del corso, lo studente sarà in grado di:
- comprendere e analizzare criticamente i principali algoritmi di apprendimento automatico, con applicazioni specifiche al dominio elettromagnetico;
- implementare modelli di intelligenza artificiale per la previsione di parametri elettromagnetici e per la progettazione assistita di antenne, metamateriali e circuiti RF;
- integrare tecniche di AI nei workflow simulativi basati su metodi numerici;
- valutare le prestazioni dei modelli addestrati in funzione della qualità e quantità dei dati, della complessità computazionale e della generalizzabilità;
- utilizzare strumenti software avanzati per l’addestramento, la validazione e il testing di reti neurali e modelli statistici;
- sviluppare un approccio critico e consapevole all’utilizzo dell’intelligenza artificiale in contesti scientifici e ingegneristici, con attenzione all’affidabilità dei risultati e ai limiti epistemologici dei modelli predittivi.
scheda docente
materiale didattico
S. Haykin, "Neural Networks and Learning Machines", 3ª edizione, Pearson
C. M. Bishop, "Pattern Recognition and Machine Learning", Springer
S. M. Rao, "Time Domain Electromagnetics", Academic Press
Risorse complementari:
Goodfellow, Bengio, Courville, "Deep Learning", MIT Press
Krizhevsky et al., "ImageNet Classification with Deep Convolutional Neural Networks", NIPS
Articoli selezionati da riviste scientifiche internazionali, in particolare:
IEEE Trans. on Antennas and Propagation
IEEE Trans. on Microwave Theory and Techniques
IEEE Trans. on Neural Networks and Learning Systems
Nature Machine Intelligence
EPJ Applied Metamaterials
Altri materiali:
Appunti del docente: durante il corso verranno distribuiti appunti e materiali originali, inclusi notebook di calcolo, esempi di codice, schemi concettuali e raccolte di problemi, pensati per supportare lo studio e facilitare l’applicazione pratica degli argomenti trattati.
Testi Adottati
Manuali principali:S. Haykin, "Neural Networks and Learning Machines", 3ª edizione, Pearson
C. M. Bishop, "Pattern Recognition and Machine Learning", Springer
S. M. Rao, "Time Domain Electromagnetics", Academic Press
Risorse complementari:
Goodfellow, Bengio, Courville, "Deep Learning", MIT Press
Krizhevsky et al., "ImageNet Classification with Deep Convolutional Neural Networks", NIPS
Articoli selezionati da riviste scientifiche internazionali, in particolare:
IEEE Trans. on Antennas and Propagation
IEEE Trans. on Microwave Theory and Techniques
IEEE Trans. on Neural Networks and Learning Systems
Nature Machine Intelligence
EPJ Applied Metamaterials
Altri materiali:
Appunti del docente: durante il corso verranno distribuiti appunti e materiali originali, inclusi notebook di calcolo, esempi di codice, schemi concettuali e raccolte di problemi, pensati per supportare lo studio e facilitare l’applicazione pratica degli argomenti trattati.
Modalità Frequenza
La frequenza al corso non è obbligatoria, ma e' fortemente consigliata. La partecipazione attiva alle lezioni, alle esercitazioni e alle attività progettuali consente di acquisire più efficacemente le competenze teoriche e pratiche previste dal programma, nonché di interagire direttamente con il docente durante l’approfondimento degli argomenti trattati.Modalità Valutazione
La valutazione si articola in tre componenti principali: Prova scritta: consiste in una serie di quesiti teorici e applicativi sugli argomenti trattati a lezione, finalizzati a verificare la comprensione dei concetti fondamentali, la capacità di applicare metodi di intelligenza artificiale a problemi elettromagnetici, e la padronanza del linguaggio tecnico. Progetto individuale o di gruppo: sviluppo e discussione di un progetto originale che impieghi modelli di intelligenza artificiale per l’analisi o la progettazione in ambito elettromagnetico (es. antenne, metamateriali, segnali RF). La presentazione del progetto avverrà in forma orale e sarà oggetto di valutazione approfondita. Valutazione continua: partecipazione attiva alle lezioni, svolgimento delle esercitazioni assegnate, eventuali presentazioni intermedie. In alcuni casi potrà essere proposta anche una prova scritta intermedia. La valutazione finale tiene conto della correttezza tecnica, della chiarezza espositiva, della capacità di ragionamento critico, dell’originalità delle soluzioni proposte, e della completezza del progetto.