Ingegneria Informatica e dell'Intelligenza Artificiale
Cod 198289
- Laurea triennale
- 3 anni
- 180 CFU
- L-8 R
ING-INF/05
Fondamenti di Intelligenza Artificiale
Codice: 20810515
Scheda insegnamento
- Anno Accademico di erogazione
- 2026/2027
- Corso di studi
- Ingegneria Informatica e dell'Intelligenza Artificiale
- Periodo di erogazione
- Secondo semestre
- CFU
- 9 CFU
- Lingua
- Italiano
- SSD
- ING-INF/05
Scopri il programma didattico
Programma, testi adottati e modalità d’esame sono quelli pubblicati dai docenti per l’anno accademico 2026/2027. L’insegnamento è diviso in canali: ogni canale ha il suo programma.
- Docente
- Paolo Russo
- Curriculum
- Sistemi informatici
- Anno di corso
- 2
- Periodo
- Secondo semestre
- Ore
- 81
- CUIN
- 260002586
Programma
Elementi di Proiezione Prospettica
Calibrazione della fotocamera
Elementi di Geometria Epipolare
Elementi di Ricostruzione 3D
Filtraggio delle immagini
Elementi di Deep Learning applicato alle immagini
Prerequisiti
Nozioni di base di analisi matematica e di algebra lineare.
Testi adottati
Computer Vision, a modern approach, David Forsyth e Jean Ponce
Modalità di erogazione
Didattica frontale.
Modalità di frequenza
frequenza libera
Modalità di valutazione
Domande a risposta aperta.
Prove previste
- Prova scritta
- Docente
- Giuseppe Sansonetti
- Curriculum
- Sistemi informatici
- Anno di corso
- 2
- Periodo
- Secondo semestre
- Ore
- 81
- CUIN
- 260002586
Programma
1. Introduzione al corso
- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.
2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).
3. Introduzione al linguaggio Python
- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.
4. Evolutionary Computation
- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.
5. Comunicazione e Percezione
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Prerequisiti
Fondamenti di programmazione e data analytics.
Testi adottati
Lucidi delle lezioni.
Modalità di erogazione
Lezioni ed esercitazioni in aula.
Modalità di frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.
Modalità di valutazione
Prova scritta.
Prove previste
- Prova scritta
- Docente
- Paolo Russo
- Curriculum
- Gestionale
- Anno di corso
- 2
- Periodo
- Secondo semestre
- Ore
- 81
- CUIN
- 260002593
Programma
Elementi di Proiezione Prospettica
Calibrazione della fotocamera
Elementi di Geometria Epipolare
Elementi di Ricostruzione 3D
Filtraggio delle immagini
Elementi di Deep Learning applicato alle immagini
Prerequisiti
Nozioni di base di analisi matematica e di algebra lineare.
Testi adottati
Computer Vision, a modern approach, David Forsyth e Jean Ponce
Modalità di erogazione
Didattica frontale.
Modalità di frequenza
frequenza libera
Modalità di valutazione
Domande a risposta aperta.
Prove previste
- Prova scritta
- Docente
- Giuseppe Sansonetti
- Curriculum
- Gestionale
- Anno di corso
- 2
- Periodo
- Secondo semestre
- Ore
- 81
- CUIN
- 260002593
Programma
1. Introduzione al corso
- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.
2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).
3. Introduzione al linguaggio Python
- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.
4. Evolutionary Computation
- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.
5. Comunicazione e Percezione
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Prerequisiti
Fondamenti di programmazione e data analytics.
Testi adottati
Lucidi delle lezioni.
Modalità di erogazione
Lezioni ed esercitazioni in aula.
Modalità di frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.
Modalità di valutazione
Prova scritta.
Prove previste
- Prova scritta
- Docente
- Paolo Russo
- Curriculum
- Automazione e Robotica
- Anno di corso
- 2
- Periodo
- Secondo semestre
- Ore
- 81
- CUIN
- 260002602
Programma
Elementi di Proiezione Prospettica
Calibrazione della fotocamera
Elementi di Geometria Epipolare
Elementi di Ricostruzione 3D
Filtraggio delle immagini
Elementi di Deep Learning applicato alle immagini
Prerequisiti
Nozioni di base di analisi matematica e di algebra lineare.
Testi adottati
Computer Vision, a modern approach, David Forsyth e Jean Ponce
Modalità di erogazione
Didattica frontale.
Modalità di frequenza
frequenza libera
Modalità di valutazione
Domande a risposta aperta.
Prove previste
- Prova scritta
- Docente
- Giuseppe Sansonetti
- Curriculum
- Automazione e Robotica
- Anno di corso
- 2
- Periodo
- Secondo semestre
- Ore
- 81
- CUIN
- 260002602
Programma
1. Introduzione al corso
- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.
2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).
3. Introduzione al linguaggio Python
- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.
4. Evolutionary Computation
- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.
5. Comunicazione e Percezione
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Prerequisiti
Fondamenti di programmazione e data analytics.
Testi adottati
Lucidi delle lezioni.
Modalità di erogazione
Lezioni ed esercitazioni in aula.
Modalità di frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.
Modalità di valutazione
Prova scritta.
Prove previste
- Prova scritta
- Docente
- Paolo Russo
- Curriculum
- Intelligenza Artificiale e Machine Learning
- Anno di corso
- 2
- Periodo
- Secondo semestre
- Ore
- 81
- CUIN
- 260002610
Programma
Elementi di Proiezione Prospettica
Calibrazione della fotocamera
Elementi di Geometria Epipolare
Elementi di Ricostruzione 3D
Filtraggio delle immagini
Elementi di Deep Learning applicato alle immagini
Prerequisiti
Nozioni di base di analisi matematica e di algebra lineare.
Testi adottati
Computer Vision, a modern approach, David Forsyth e Jean Ponce
Modalità di erogazione
Didattica frontale.
Modalità di frequenza
frequenza libera
Modalità di valutazione
Domande a risposta aperta.
Prove previste
- Prova scritta
- Docente
- Giuseppe Sansonetti
- Curriculum
- Intelligenza Artificiale e Machine Learning
- Anno di corso
- 2
- Periodo
- Secondo semestre
- Ore
- 81
- CUIN
- 260002610
Programma
1. Introduzione al corso
- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.
2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).
3. Introduzione al linguaggio Python
- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.
4. Evolutionary Computation
- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.
5. Comunicazione e Percezione
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Prerequisiti
Fondamenti di programmazione e data analytics.
Testi adottati
Lucidi delle lezioni.
Modalità di erogazione
Lezioni ed esercitazioni in aula.
Modalità di frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.
Modalità di valutazione
Prova scritta.
Prove previste
- Prova scritta
Esplora gli obiettivi dell’insegnamento
Ambito disciplinare: Ingegneria informatica
Gli obiettivi sono quelli di presentare i modelli, i metodi e le tecniche di base impiegate nelle aree del Intelligenza Artificiale, quali problem-solving, ricerca in ambienti complessi, ricerca con avversari, rappresentazione della conoscenza e gestione di vincoli. Saranno studiati alcuni domini didattici utili per comprendere l’applicazione pratica dei concetti trattati nel corso.
Le lezioni e le esercitazioni pratiche svolte durante il corso consentiranno allo studente di acquisire capacità base di analisi e di problem solving su vari domìni d’interesse per la disciplina.
Risultati di apprendimento attesi — Paolo Russo
Al termine del corso lo studente sarà in grado di:
- comprendere i principi teorici della Computer Vision e dell’elaborazione delle immagini digitali;
- descrivere i principali metodi di acquisizione, rappresentazione e trasformazione delle immagini;
- conoscere gli algoritmi fondamentali per estrazione di feature, segmentazione, classificazione e riconoscimento;
- comprendere i principi geometrici della visione artificiale, inclusi modelli di camera, calibrazione e ricostruzione 3D;
- conoscere le principali tecniche basate su Deep Learning per problemi di Computer Vision.
Risultati di apprendimento attesi — Paolo Russo
Al termine del corso lo studente sarà in grado di:
- comprendere i principi teorici della Computer Vision e dell’elaborazione delle immagini digitali;
- descrivere i principali metodi di acquisizione, rappresentazione e trasformazione delle immagini;
- conoscere gli algoritmi fondamentali per estrazione di feature, segmentazione, classificazione e riconoscimento;
- comprendere i principi geometrici della visione artificiale, inclusi modelli di camera, calibrazione e ricostruzione 3D;
- conoscere le principali tecniche basate su Deep Learning per problemi di Computer Vision.
Risultati di apprendimento attesi — Paolo Russo
Al termine del corso lo studente sarà in grado di:
- comprendere i principi teorici della Computer Vision e dell’elaborazione delle immagini digitali;
- descrivere i principali metodi di acquisizione, rappresentazione e trasformazione delle immagini;
- conoscere gli algoritmi fondamentali per estrazione di feature, segmentazione, classificazione e riconoscimento;
- comprendere i principi geometrici della visione artificiale, inclusi modelli di camera, calibrazione e ricostruzione 3D;
- conoscere le principali tecniche basate su Deep Learning per problemi di Computer Vision.
Risultati di apprendimento attesi — Paolo Russo
Al termine del corso lo studente sarà in grado di:
- comprendere i principi teorici della Computer Vision e dell’elaborazione delle immagini digitali;
- descrivere i principali metodi di acquisizione, rappresentazione e trasformazione delle immagini;
- conoscere gli algoritmi fondamentali per estrazione di feature, segmentazione, classificazione e riconoscimento;
- comprendere i principi geometrici della visione artificiale, inclusi modelli di camera, calibrazione e ricostruzione 3D;
- conoscere le principali tecniche basate su Deep Learning per problemi di Computer Vision.
Esempi di domande d’esame
Paolo Russo
Spiegare l'algoritmo tipico di calibrazione della fotocamera.
Paolo Russo
Spiegare l'algoritmo tipico di calibrazione della fotocamera.
Paolo Russo
Spiegare l'algoritmo tipico di calibrazione della fotocamera.
Paolo Russo
Spiegare l'algoritmo tipico di calibrazione della fotocamera.