logo-polimi
Loading...
Risorse bibliografiche
Risorsa bibliografica obbligatoria
Risorsa bibliografica facoltativa
Scheda Riassuntiva
Anno Accademico 2014/2015
Scuola Scuola di Ingegneria Industriale e dell'Informazione
Insegnamento 085829 - NEUROINGEGNERIA [C.I.]
  • 085827 - NEUROINGEGNERIA [1]
Docente Cerveri Pietro
Cfu 5.00 Tipo insegnamento Modulo Di Corso Strutturato

Corso di Studi Codice Piano di Studio preventivamente approvato Da (compreso) A (escluso) Insegnamento
Ing Ind - Inf (Mag.)(ord. 270) - MI (401) INGEGNERIA BIOMEDICA* AZZZZ085829 - NEUROINGEGNERIA [C.I.]
Ing Ind - Inf (Mag.)(ord. 270) - MI (471) BIOMEDICAL ENGINEERING - INGEGNERIA BIOMEDICA* AZZZZ085829 - NEUROINGEGNERIA [C.I.]

Programma dettagliato e risultati di apprendimento attesi

Modelli simbolici e sub-simbolici di rappresentazione delle capacità cognitive. Principi di ragionamento. Ragionamento, incertezza e probabilità. Approccio Bayesiano e limiti del ragionamento probabilistico: principi di causalità e cause concorrenti.

Reti Bayesiane: probabilità totale congiunta e tabella di probabilità condizionale. Rappresentazione di causalità in medicina attraverso reti bayesiane. Indipendenza condizionale e principio di marginalizzazione. Modalità di costruzione di una rete bayesiana sfruttando la D-separazione. Semantica espressa da una rete bayesiana. Dimesione temporale in eventi probabilistici: reti bayesiane dinamiche e modelli a spazio di stato. Stati e osservazioni. Matrice di transizione degli stati. Matrice emissione delle osservazioni. Principio di Markov: catene di Markov e modelli a stati nascosti (HHM). Codifica, decodifica e learning in HHM. Filtri di Kalman come sistemi dinamici di tipo baysiano. Esempi di applicazioni in campo biomedico.Automi cellulari come sistemi a spazio di stato per l’evoluzione di sistemi dinamici. Criteri descrittivi. Dimensionalità spaziale e temporale. Regole di transizione. Modalità di implementazione e parallelizzazione. Inizializzazione e criteri di stop. Applicazioni di automi cellulari a processi biologici.

Computazione sub-simbolica e reti neurali. Reti neurali artificiali: apprendimento e generalizzazione. Neurone formale di McCulloc e Pitts. Potenziale di attivazione, soglia di un neurone, funzione di attivazione, pesi delle connessioni. Plasticità e apprendimento. Tipologie e modelli di neuroni artificiali: modello del Perceptrone. Architetture di reti neurali: reti multi-strato, feed-forward, feed-back, ricorrenti.Apprendimento con delta rule e Backpropagation nelle reti feed-forward multistrato. Reti binarie. Modello di Hopfield. Funzione di Liapunov e analogia con le macchine a stati finiti. Stati di equilibrio di una rete neurale binaria, attrattori ciclici e caotici. Modello di memoria e reti neurali che memorizzano. Apprendimento di Hebb. Principio di apprendimento con rinforzo. Memorie associative e auto associative. Analisi di stablità di una memoria neurale.

 

Si prevedono attivita’ di laboratorio sperimentale in aula informatizzata riguardanti:

  • modelli Bayesiani usando il toolbox di Matlab BNN

  • reti neurali attraverso il toolbox di Matlab Neural Networks.

 

Il corso ambisce a trasmettere i fondamenti di metodologie computazionali mediate da approcci neuro-cognitivi.

 

Prerequisiti

 

Allo studente è richiesto di possedere basi sui sistemi fisiologici, sulla teoria dei sistemi e principi di automatica, sull’elaborazione dei segnali.

 


Note Sulla Modalità di valutazione

Verifica scritta + esame orale


Bibliografia

Mix Forme Didattiche
Tipo Forma Didattica Ore didattiche
lezione
37.0
esercitazione
7.0
laboratorio informatico
11.0
laboratorio sperimentale
0.0
progetto
0.0
laboratorio di progetto
0.0

Informazioni in lingua inglese a supporto dell'internazionalizzazione
Insegnamento erogato in lingua Italiano
Disponibilità di materiale didattico/slides in lingua inglese
Possibilità di sostenere l'esame in lingua inglese
Disponibilità di supporto didattico in lingua inglese
schedaincarico v. 1.6.4 / 1.6.4
Area Servizi ICT
10/07/2020