Ingegneria elettronica per l'industria e l'innovazione
Cod 198297
- Laurea magistrale
- 2 anni
- 120 CFU
- LM-29
ING-IND/31
Intelligenza Artificiale per l’Ingegneria
Codice: 20810398
Scheda insegnamento
- Anno Accademico di erogazione
- 2026/2027
- Corso di studi
- Ingegneria meccanica
- Periodo di erogazione
- Primo semestre
- CFU
- 6 CFU
- Lingua
- Italiano
- SSD
- ING-IND/31
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
- Francesco Riganti Fulginei
- Curriculum
- Progettazione Meccanica e Ingegneria dei Veicoli Indirizzo Ingegneria dei Veicoli
- Anno di corso
- 2
- Periodo
- Primo semestre
- Ore
- 42
- CUIN
- 260013119
Programma
Introduzione all'Intelligenza Artificiale
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
Prerequisiti
Analisi Matematica 1
Geometria ed Algebra Lineare
Testi adottati
Dive into deep learning
https://d2l.ai/
Bibliografia di riferimento
Dive into deep learning
https://d2l.ai/
Modalità di erogazione
Lezioni frontali in aula
Modalità di frequenza
Frequenza facoltativa ma altamente raccomandata
Modalità di valutazione
Progettazione ed implementazione di un modello di machine learning. Colloquio orale.
Prove previste
- Prova orale
- Valutazione di un progetto
- Docente
- Francesco Riganti Fulginei
- Curriculum
- Energetica e Sostenibilità Indirizzo Conversione dell’Energia, Energetica e Sostenibilità Indirizzo Sostenibilità e Ambiente
- Anno di corso
- 2
- Periodo
- Secondo semestre
- Ore
- 42
- CUIN
- 260013143
Programma
Introduzione all'Intelligenza Artificiale
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
Prerequisiti
Analisi Matematica 1
Geometria ed Algebra Lineare
Testi adottati
Dive into deep learning
https://d2l.ai/
Bibliografia di riferimento
Dive into deep learning
https://d2l.ai/
Modalità di erogazione
Lezioni frontali in aula
Modalità di frequenza
Frequenza facoltativa ma altamente raccomandata
Modalità di valutazione
Progettazione ed implementazione di un modello di machine learning. Colloquio orale.
Prove previste
- Prova orale
- Valutazione di un progetto
- Docente
- Francesco Riganti Fulginei
- Curriculum
- Gestione Industriale e Smart Manufacturing
- Anno di corso
- 2
- Periodo
- Secondo semestre
- Ore
- 42
- CUIN
- 260013177
Programma
Introduzione all'Intelligenza Artificiale
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
Prerequisiti
Analisi Matematica 1
Geometria ed Algebra Lineare
Testi adottati
Dive into deep learning
https://d2l.ai/
Bibliografia di riferimento
Dive into deep learning
https://d2l.ai/
Modalità di erogazione
Lezioni frontali in aula
Modalità di frequenza
Frequenza facoltativa ma altamente raccomandata
Modalità di valutazione
Progettazione ed implementazione di un modello di machine learning. Colloquio orale.
Prove previste
- Prova orale
- Valutazione di un progetto
Esplora gli obiettivi dell’insegnamento
Ambito disciplinare: Attività formative affini o integrative
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.
Informazioni utili
Per questo insegnamento non sono pubblicate informazioni aggiuntive. Materiale didattico e documenti si trovano sulla piattaforma del corso.