Accedi ai Corsi
In evidenza
Laurea Triennale
Amministrazioni, Professioni ed Organizzazioni Sportive con Sole 24 Ore Formazione
-
Ateneo
-
Offerta Formativa
-
Iscrizione
-
Studenti e Aziende
- News ed Eventi
-
Contatti e Sedi
- FAQ
Ateneo
Offerta Formativa
-
Corsi di Laurea Triennale
-
Corsi di Laurea Magistrale
- Altri Corsi
- Doppia Laurea
- Master
- Corsi di Formazione
- Corsi di Perfezionamento
- Singoli
- Formazione Docenti
- PA 110 e Lode
Iscrizione
Studenti e Aziende
Contatti e Sedi
Corsi di Laurea Triennale
Management e Consulenza Aziendale LM-77
Intelligenza Artificiale e Salute Dell'Uomo
| Settore scientifico disciplinare | Numero crediti formativi (CFU) | Docente |
| ING-INF/06 | 4 | Michele Bernardini |
Obiettivi
Il corso è progettato per fornire una comprensione approfondita delle applicazioni dell'IA nel settore della salute. Durante il corso, le studentesse e gli studenti imparano i fondamenti dell'IA, inclusi i modelli di apprendimento automatico e le reti neurali. Vengono esplorate le diverse applicazioni dell'IA nella salute umana, come la diagnosi medica assistita, la gestione dei dati sanitari e il monitoraggio/telemonitoraggio attuati attraverso l’analisi di dati multimediali.
Testi consigliati
La docente consiglia l’integrazione del materiale fornito (videolezioni, slides, esercitazioni) con i seguenti testi a stampa: Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep learning. MIT press, 2016.
Modalità di esame, pre-requisiti, esami propedeutici
1) Modalità di esame ESAME SCRITTO domande a risposta multipla 2) Propedeuticità: L'esame non prevede alcuna propedeuticità 3) Prerequisiti: Non si segnalano pre-requisiti
Programma del corso
1) Introduzione all'intelligenza artificiale per la salute dell’uomo 2) Introduzione all’Intelligenza Artificiale 3) Storia dell’Intelligenza 4) Introduzione al machine learning 1 5) Introduzione al machine learning 2 6) Machine learning e deep learning a confronto 7) Forward propagation 8) Allenamento di una rete neurale 9) Backpropagation 10) Reti neurali per la classificazione delle immagini 1 11) Reti neurali per la classificazione delle immagini 2 12) Reti neurali per la segmentazione delle immagini 13) Reti neurali per la detection di immagini 14) Use case: IA e diabete 15) Use case: IA e patologia renale cronica 16) Use case: IA e COVID-19 17) Use case: IA a supporto della neonatologia 18) Use case: IA a supporto della terapia ABA 19) Use case: IA a supporto della neurologia 20) Use case: affrontare la carenza di dataset pubblici in ambito clinico
1) Conoscenza e capacità di comprensione: Comprensione dei concetti di base dell'Intelligenza Artificiale: le studentesse e gli studenti acquisiranno una conoscenza approfondita dei fondamenti dell'IA, come i modelli di apprendimento automatico basati su machine learning e deep learning. 2) Capacità di applicare conoscenza e comprensione: Le studentesse e gli studenti saranno in grado di identificare e comprendere le diverse applicazioni dell'IA nel settore della salute, come la diagnosi assistita, il monitoraggio/telemonitoraggio dei pazienti e la gestione dei dati sanitari. Saranno inoltre capaci di valutare criticamente le prestazioni dei modelli di IA utilizzati nella salute umana e di definire metriche di valutazione appropriate per misurare l'efficacia dei modelli. 3) Abilità di giudizio e Abilità di comunicare: Studentesse e studenti acquisiranno una serie di competenze che svilupperanno la loro autonomia di giudizio e le loro abilità di comunicazione. Saranno in grado di valutare in maniera critica le applicazioni dell'IA nel contesto della salute umana, esaminando attentamente i vantaggi, le limitazioni e le possibili implicazioni di tali applicazioni. Questa capacità di valutazione critica consentirà loro di determinare se e come l'IA possa contribuire a migliorare la qualità dell'assistenza sanitaria. Inoltre, saranno in grado di comunicare efficacemente le loro analisi e raccomandazioni, sia in forma scritta che orale, ad una varietà di interlocutrici/interlocutori, incluse/i professioniste/i del settore sanitario, pazienti e il pubblico in generale. 4) Capacità di apprendimento: Il corso fornirà a studentesse e studenti le basi per un apprendimento continuo e un adattamento alle nuove tecnologie e alle sfide nel campo dell'IA per la salute umana. Consentirà loro di acquisire conoscenze e competenze aggiornate e di affrontare con successo le future sfide del settore.
Organizzazione didattica
1) Modalità di erogazione del corso: Il corso è svolto interamente in modalità telematica, con lezioni asincrone (didattica erogativa) e sincrone (per la didattica interattiva) 2) Attività didattiche previste: Le attività di didattica, suddivise tra didattica erogativa (DE) e didattica interattiva (DI), saranno costituite da 6 ore per CFU e ripartite secondo una struttura di almeno 2,5 ore di DE (tenuta in considerazione la necessità di riascolto) e di 1 ora di DI per ciascun CFU. 3) Attività didattica erogativa (N ore): N 20 lezioni frontali videoregistrate, della durata di circa 30 minuti ciascuna (tenuta in considerazione la necessità di riascolto) sempre disponibili in piattaforma. 4) Attività didattica interattiva: N 4 lezioni frontali svolte in sincrono, della durata di circa 60 minuti ciascuna. Il calendario per l'anno accademico in corso sarà pubblicato dal/i docente/i in piattaforma didattica. 5) Attività di autoapprendimento: L'articolazione tra DE e DI, per ciascuna unità didattica, sarà organizzata coerentemente con gli obiettivi formativi specifici dell’insegnamento. 6) Ricevimento studenti: Contattare per mail la docente
Lezioni
Introduzione all\'intelligenza artificiale per la salute dell\'uomo
Introduzione all'Intelligenza Artificiale
Storia dell\'Intelligenza
Introduzione al machine learning 1
Introduzione al machine learning 2
Machine learning e deep learning a confronto
Forward propagation
Allenamento di una rete neurale
Backpropagation
Reti neurali per la classificazione delle immagini 1
Reti neurali per la classificazione delle immagini 2
Reti neurali per la segmentazione delle immagini
Reti neurali per la detection di immagini
Use case: IA e diabete
Use case: IA e patologia renale cronica
Use case: IA e COVID-19
Use case: IA a supporto della neonatologia
Use case: IA a supporto della terapia ABA
Use case: IA a supporto della neurologia
Use case: affrontare la carenza di dataset pubblici in ambito clinico
