Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
LUCA ROMEO
Lingua di erogazione: ITALIANOLessons taught in: ITALIAN
Laurea - [IT11] SISTEMI INDUSTRIALI E DELL'INFORMAZIONE First Cycle Degree (3 years) - [IT11] INDUSTRIAL AND INFORMATION SYSTEMS
Dipartimento: [040040] Dipartimento Ingegneria dell'InformazioneDepartment: [040040] Dipartimento Ingegneria dell'Informazione
Anno di corsoDegree programme year : 1 - Primo Semestre
Anno offertaAcademic year: 2020-2021
Anno regolamentoAnno regolamento: 2020-2021
Obbligatorio
Crediti: 9
Ore di lezioneTeaching hours: 72
TipologiaType: A - Base
Settore disciplinareAcademic discipline: ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
Sede City PESARO
Italiano
Italian
Conoscenze informatiche di base
Basic programming knowledges
Lezioni frontali sugli argomenti in programma, esercitazioni su applicazioni di algoritmi studiati in esempi di applicazioni industriali
Lezioni frontali: 48 ore
Esercitazioni: 24 ore
Lectures on the scheduled topics, exercises on algorithms applications studied in examples of industrial applications
Frontal lessons: 48 hours
Excercises: 24 hours
L’insegnamento permette agli studenti di acquisire le nozioni fondamentali di programmazione mediante il linguaggio Python e conoscenze elementari di algoritmi di Machine Learning e Deep Learning applicati nello scenario Industry 4.0. Tali conoscenze elementari, saranno applicate in contesti applicativi di esempio quali Manutenzione predittiva, Controllo qualità, Fault Diagnosis
Capacità di applicare conoscenze e comprensione.
Al termine del corso lo studente sarà in grado di conoscere e utilizzare in maniera appropriata ambienti software tipici dell’Industry 4.0 con particolare riferimento alla programmazione e applicazione di metodi elementari di machine learning negli scenari applicativi descritti, con lo scopo di risolvere problematiche industriali di esempio di bassa complessità
Competenze trasversali.
L’esecuzione di un progetto, che verrà svolto in gruppi o in autonomia porterà alla stesura di una relazione, contribuirà a migliorare sia la capacità comunicativa che deriva anche dal lavoro svolto in gruppo, sia la capacità di apprendimento e di problem solving in autonomia. Nei progetti sarà fondamentale l’interazione con gruppi di lavoro aziendali
Knowledge and Understanding.
This course aims at providing the fundamental notions of Python programming, and introductory knowledges of Machine Learning and Deep Learning algorithms applied in the Industry 4.0 scenario. These introductory knowledges will be applied in some application contexts such as Predictive Maintenance, Quality Control, Fault Diagnosis
Capacity to apply Knowledge and Understanding.
At the end of the course the student will be able to know and use in an appropriate way software environments typical of Industry 4.0 with particular reference to the programming and application of elementary machine learning methods in the described application scenarios, with the aim of solving examples of industrial problems of low complexity
Transversal Skills.
The execution of a project, which will be carried out in groups or autonomously will lead to the drafting of a report. The project will contribute to improve both the communicative skill which also derives from the work carried out in groups, and the problem solving skill. Interaction with industrial companies will be fundamental in the projects.
I seguenti argomenti saranno trattati durante le lezioni teoriche:
Modulo 1: Introduzione a Python
• Introduzione alla programmazione e al linguaggio Python
• Strutture dati in Python
• Programmazione orientata agli oggetti in Python
• Eccezioni
• Moduli e package
• Introduzione al Machine learning con python
Modulo 2: Introduzione al Machine Learning e Deep Learning
• Introduzione al Machine learning per pattern recognition
• Introduzione al Machine learning e Deep learning
Modulo 3: Industry 4.0
• Introduzione Sistemi informativi aziendali
• Introduzione a Manufacturing Execution System (MES), Enterprise Resource Planning (ERP)
• Introduzione Task Industry 4.0: Manutenzione Predittiva, Controllo qualità
• Acquisizione dati
• Data processing
• Procedura di Splitting
• Training, Validation, Testing
• Valutazione modelli
Modulo 4: Python per il ML e l’Industry 4.0
• Elementi di Machine Learning in Python: Scikit Learn
• Applicazionis modelli di Machine learning per Task Industry 4.0 (dataset di esempio)
The following topics will be covered during the theoretical lessons:
Module 1: Introduction to Python
- Introduction to Python programming and language
- Data structures in Python
- Object-oriented programming in Python
- Exceptions
- Modules and packages
- Introduction to Machine learning with python
Module 2: Introduction to Machine Learning and Deep Learning
- Introduction to Machine learning for pattern recognition
- Introduction to Machine Learning and Deep Learning
Module 3: Industry 4.0
- Introduction Industrial Information Systems
- Introduction to Manufacturing Execution System (MES), Enterprise Resource Planning (ERP)
- Introduction to Industry 4.0 task: Predictive Maintenance, Quality Control
- Data Acquisition
- Data processing
- Splitting Procedure
- Training, Validation, Testing
- Models evaluation
Module 4: Python for ML and Industry 4.0
- Elements of Machine Learning in Python: Scikit Learn
- Machine learning model applications for Industry 4.0 data (example dataset)
La valutazione del livello di apprendimento degli studenti avviene sulla base della corrispondenza alle specifiche assegnate e la qualità del progetto svolto e delle risposte a due/tre domande su temi trattati nel corso effettuate nella prova orale.
Criteri di valutazione dell'apprendimento.
Per superare con esito positivo la prova orale lo studente dovrà dimostrare di possedere una complessiva conoscenza dei contenuti del corso, e un’applicazione degli stessi in scenari di esempio industriali
Criteri di misurazione dell'apprendimento.
Attribuzione del voto finale in trentesimi
Criteri di attribuzione del voto finale.
La valutazione finale sarà in relazione al grado di competenze dimostrate dallo studente nello svolgimento del progetto e la conoscenza dimostrata dallo studente nello svolgimento della prova orale
Learning Evaluation Methods.
The assessment of the students' level of learning is based on the correspondence to the assigned task and the quality of the project carried out and the answers to two/three questions on topics covered in the course carried out in the oral test.
Learning Evaluation Criteria.
In order to successfully pass the oral test the student will have to demonstrate an overall knowledge of the course contents and their application in industrial example scenarios.
Learning Measurement Criteria.
Final grade in thirtieth
Final Mark Allocation Criteria.
The final evaluation will be in relation to the degree of competence demonstrated by the student in carrying out the project and the knowledge demonstrated by the student in carrying out the oral test.
F. Borazzo, Analisi dei dati con Excel, Apogeo. Maurizio Boscaini: Imparare a programmare con Python
Eventuale materiale aggiuntivo disponibile su: https://learn.univpm.it
F. Borazzo, Analisi dei dati con Excel, Apogeo. Maurizio Boscaini: Imparare a programmare con Python
Any additional material available on:
https://learn.univpm.it
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2020-2021
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427