Programmi degli insegnamenti

 

IA/0139/EN - DATA DRIVEN MODELS FOR SYSTEM ENGINEERING

Anno Accademico ​2019/2020

Docente
AUGUSTO ​MONTISCI (Tit.)
Periodo
Secondo Semestre ​
Modalità d'Erogazione
Convenzionale ​
Lingua Insegnamento
INGLESE ​



Informazioni aggiuntive

CorsoPercorsoCFUDurata(h)
[70/82] ​ ​INGEGNERIA ELETTRICA [82/00 - Ord. 2010] ​ ​PERCORSO COMUNE660
[70/90] ​ ​COMPUTER ENGINEERING, CYBERSECURITY AND ARTIFICIAL INTELLIGENCE [90/00 - Ord. 2018] ​ ​PERCORSO COMUNE660
Obiettivi

Scopo del corso è quello di fornire agli studenti gli strumenti per la costruzione di modelli numerici di sistemi ingegneristici, a partire da dati sperimentali. A questo scopo, in una prima parte vengono trattati i metodi più comuni per il trattamento dei segnali, distinguendo i domini di definizione degli stessi tra spazio del segnale e dominio della frequenza. A questo fa seguito una rassegna di tecniche per lestrazione di caratteristiche del segnale utili alla sintesi dei modelli, con lo scopo principale di ridurre il volume dei dati limitando al tempo stesso la perdita di informazione. Di seguito sono presentate le più diffuse tecniche per la sintesi di modelli basati sui dati. Tra questi si distinguono i modelli regressivi e i classificatori, l'apprendimento supervisionato e non supervisionato, i modelli statici e quelli dinamici, modelli unidirezionali e retro azionati. Attraverso l'esame di una serie di casi-studio tratti dalla letteratura, lo studente avrà modo di acquisire la capacità di sviluppare modelli numerici per sistemi reali. Lo studente farà uso di tale conoscenza sviluppando una breve ricerca su una tematica proposta dallo stesso studente e che sarà esposta per l'esame finale.

Prerequisiti

Funzioni multivariate. Studio di funzione. Ricerca di Massimi e Minimi di una funzione: metodi analitici e metodi iterativi del primo e del secondo ordine. Algebra e Calcolo Matriciale. Autovalori e Autovettori. Serie numeriche. Serie di Fourier e di Taylor. Calcolo Fasoriale. Trasformate di Fourier e di Laplace. Campionamento di segnali nel tempo. Aliasing e Teorema di Nyquist. Ambiente Matlab: funzioni principali, manipolazione delle matrici, scrittura di codici. Concetti generali sulla complessità computazionale.

Contenuti

- Trattamento del Segnale (9 h teoria - 3 h esercitazione):
Domini del Tempo, dello Spazio e della Frequenza; Campionamento; Filtri; Individuazione di Anomalie; Eliminazione del Rumore; Riduzione dei Dati; Correlazione; Visualizzazione dei Dati.

- Estrazione di Caratteristiche nei domini del Tempo e della Frequenza (9 h teoria - 3 h esercitazione):
L'Analisi in Frequenza dalla Serie di Fourier alla Z-Trasformata; Analisi delle Componenti Principali; Wavelets; Analisi di Serie Temporali; Manifold Learning.

- Modelli basati sui Dati (18 h teoria - 6 h esercitazione):
Regressione Lineare e Non-Lineare; Classificazione: Classificatori Lineari e Non Lineari, Classificatori Bayesiani; Modelli basati sull'addestramento: Multi-Layer Perceptron; Support Vector Machines; Radial Basis Functions; Deep Neural Networks; Apprendimento non-supervisionato: Apprendimento Hebbiano, Apprendimento Competitivo; Self Organizing Map; Modelli Dinamici: modelli AR, MA, ARMA, ARIMA, Modelli Dinamici Non-Lineari, Filtri Adattativi.

- Applicazione ai Sistemi Ingegneristici (2 h teoria - 10 esercitazione):
Dispositivi elettromagnetici, Circuiti Caotici, Test Non-Distruttivi, Individuazione e Previsione di Eventi nei reattori per la Fusione Nucleare, Criptografia, Ottimizzazione, Diagnosi di Guasto, ...

Metodi Didattici

Il corso prevede 60 ore complessive, distribuite tra 38 di lezioni frontali e 22 di esercitazione. Nella prima lezione viene somministrato un questionario in forma anonima per valutare il possesso dei pre-requisiti da parte di tutta la classe. I risultati di tale questionario saranno discussi in aula e poi utilizzati per adattare le lezioni della prima parte del corso, relativa al trattamento dei segnali. Un secondo questionario, facoltativo, sarà somministrato al termine del primo blocco di lezioni, e servirà a fornire indicazioni allo studente riguardo quali parti approfondire, prima del prosieguo del corso. Le esercitazioni di questo primo blocco vengono svolte singolarmente dagli studenti.
Il secondo blocco di lezioni, che riguarda lestrazione di caratteristiche del segnale, prevede ancora lezioni frontali per la parte teorica, mentre per le esercitazioni la classe sarà suddivisa in gruppi di lavoro. La prova pratica prevede la stesura di una breve relazione della prova, da svolgere contestualmente alla prova sulla base di un template fornito dal docente. I singoli gruppi di lavoro saranno formati da 3-4 studenti, e si provvederà a cambiarne la composizione tra le diverse prove. Il materiale prodotto viene messo a disposizione di tutta la classe.
Il terzo blocco di lezioni, che riguarda le tecniche per lo sviluppo dei modelli, prevede lo svolgimento di una prova pratica collegata a ciascun argomento della teoria. Le prove consistono nello sviluppo di un modello su un semplice problema di cui viene fornito ai singoli gruppi di lavoro la definizione e i dati di riferimento. Anche le prove di questo gruppo saranno svolte secondo le modalità delle precedenti.
Il quarto blocco è incentrato principalmente sulle applicazioni pratiche, e verteranno su argomenti tratti dalla letteratura scientifica. I gruppi di lavoro in questo caso possono raggiungere anche le 5 unità. Lultima ora di esercitazione sarà dedicata allesposizione dei lavori.
Per lesame, lo studente dovrà affrontare un problema di interesse per lingegneria da lui stesso proposto, mentre gli obiettivi specifici del lavoro dovranno essere concordati con il docente. Lesame finale consisterà in una prova scritta, consistente in un questionario a risposta aperta sugli aspetti teorici del corso, e nella presentazione della ricerca svolta.

Verifica dell'apprendimento

La verifica dellapprendimento da parte della classe viene effettuata durante tutto il corso, attraverso i questionari nella prima fase, e attraverso le relazioni che i gruppi di lavoro redigono al termine delle esercitazioni. Lesame finale consiste in una prima prova scritta, consistente in un questionario a risposta aperta, e successivamente nellesposizione dei risultati del lavoro di ricerca scelto dallo studente e concordato con il docente. Le domande del questionario riguarderanno tutti i principali argomenti trattati nel corso, e sarà valutata per ciascuna sia la correttezza e la completezza della risposta, sia la capacità di sintesi e la correttezza formale. Il voto della prova scritta sarà espressa in trentesimi. Della prova orale sarà valutata la validità della metodologia applicata e la capacità espositiva. Con la prova orale lo studente può conseguire fino a 5 punti, che vanno a sommarsi al voto conseguito nello scritto. La votazione di 30 e lode viene conseguita nel caso in entrambe le prove, scritta e orale, si consegue la votazione massima.

Testi

A.V. Oppenheim, R. W. Schafer
Digital Signal Processing
Prentice Hall Ed.

W. K. Pratt
Digital Image Processing
Wiley Ed.

C. M. Bishop
Neural Networks for Pattern Recognition
Oxford University Press

J.C. Principe; N. R. Euliano; W. C. Lefebvre
Neural and Adaptive Systems
Wiley Ed.

S. Haykin
Adaptive Filter Theory
Prentice Hall Ed.

Altre Informazioni

Slides delle lezioni con testo esplicativo in nota
Templates per le relazioni
Selezione di pubblicazioni scientifiche riguardanti i temi trattati
Slides di lavori svolti da studenti in anni precedenti

credits unica.it | accessibilità Università degli Studi di Cagliari
C.F.: 80019600925 - P.I.: 00443370929
note legali | privacy

Nascondi la toolbar