72
INFORMATICA
UNIVERSITÀ DEGLI STUDI DI NAPOLI "L'ORIENTALE"
Dati Generali
Periodo di attività
Syllabus
Obiettivi Formativi
RISULTATI DI APPRENDIMENTO ATTESI
I risultati di apprendimento attesi fanno riferimento alle conoscenze e alla capacità di comprensione che la studentessa /lo studente dovrà dimostrare di possedere al termine del percorso formativo in oggetto, in coerenza con gli argomenti descritti nel Programma
Lo studente acquisirà le conoscenze di base sulla tipologia dei dati Territoriali, le modalità di gestione e di analisi spaziale di banche dati territoriali (GeoData) nonché i fondamenti di machine learning applicato alla analisi di dati territoriali. Il corso è strutturato in un percorso teorico - pratico che punta ad illustrare le principali funzioni implementate nei più comuni software GIS
open source, che consentirà allo studente la autonoma di problematiche legata allo studio del territorio mediante analisi avanzate.
Al termine del corso lo studente potrà utilizzare i concetti acquisiti e gli strumenti necessari per procedere a:
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
Il percorso formativo dell’insegnamento intende fornire alle studentesse/agli studenti le conoscenze e gli strumenti metodologici necessari per le seguenti attività:
- la gestione dei dati territoriali;
- la analisi spaziale e l’overlay di dati spaziali, creazione di modelli di ML per l’interpretazione dei dati spaziali;
- l’utilizzo di metodologie di proiezione e riduzione della dimensionalità per la loro visualizzazione (es. PCA, t-SNE, ...);
- l’utilizzo di metodologie di apprendimento automatico classiche come Decision Tree, Random Forest, xgBoost;
- l’utilizzo di metodologie di apprendimento automatico innovative come Reti Neurali Artificiali con varianti e algoritmi di apprendimento specifici;
- l’applicazione di metodologie di valutazione dell'apprendimento tramite metriche (Accuratezza, Precision, Recall, F1-Score, ...) e tramite tecniche di validazione e selezione avanzate (K-fold cross validation, hyper-parameter tuning);
- la gestione di procedure di geovisualizzazione e interrogazione dei dataset;
- la redazione di cartografia tematica in ambiente GIS.
ULTERIORI RISULTATI DI APPRENDIMENTO ATTESI
Il corso punta a far acquisire le conoscenze di base sulla integrazione di algoritmi geostatistici e intelligenza artificiale per l’analisi spaziale di dati territoriali e l'identificazione delle caratteristiche morfologiche generando dataset di dati robusti.
Lo studente acquisirà una autonomia nel trattare, anche criticamente, gli argomenti della parte teorica e nel processare dati di tipo territoriale e relativi data base associati ed infine di redigere report tecnici utilizzando correttamente lo specifico linguaggio scientifico (anche in lingua inglese).
Prerequisiti
Esame del primo anno in Fondamenti di informatica, Programmazione e Intelligenza Artificiale
Metodi didattici
Lezioni frontali ed esercitazioni di laboratorio.
Applicazioni pratiche e realizzazione di un progetto con redazione di un elaborato finale.
Seminari
Verifica Apprendimento
La procedura di verifica consiste in un esame orale sugli aspetti teorici del corso (70% del voto) e la presentazione di un elaborato concordato con il docente che lo studente intraprende durante il corso e completa autonomamente (30% del voto).
In particolare, l’esame orale punta a comprendere le conoscenze acquisite da parte dello studente sugli aspetti teorici della la struttura dei dati territoriali, i principali criteri di analisi spaziale e creazione di modelli di ML per la interpretazione dei dati spaziali. I
l progetto invece punta a verificare il grado di competenza e di autonomia da parte dello studente nel fronteggiare problematiche ricorrenti che richiedono operazioni di organizzazione di dati geo-spaziali, l’analisi spaziale, l’overlay tematico, la creazione di modelli di ML per l’analisi e integrazione dei dati territoriali, la produzione di cartografia tematica e report associati.
L'esame si intende superato se il punteggio ottenuto durante la prova risulta uguale o superiore a 18/30.
Testi
1. Joos Korstanje (2021). Machine Learning on Geographical Data Using Python: Introduction into Geodata with Applications and Use Cases. Springer Nature.
2. Kang-Tsung Chang (2019). Introduction to Geographic Information Systems (8th ed.). McGraw-Hill Education.
3. Emanuela Caiaffa (2012). ECDL GIS. La rappresentazione cartografica e i fondamenti dei GIS. McGraw-Hill Education.
4. Ian Goodfellow, Yoshua Bengio, & Aaron Courville (2016). Deep Learning. MIT Press. Retrieved from https://www.deeplearningbook.org/
Contenuti
I contenuti del corso riguardano i principi di analisi spaziale di dati territoriali e loro analisi mediante machine learning e sono suddivisi in 2 moduli..
Modulo 1- Analisi dei dati territoriali (36 ore):
- Concetti di base sui sistemi informativi territoriale e i modelli di dato: dati vector e dati raster.
- Gli attributi territoriali e organizzazione attraverso il modello relazionale.
- Interrogazione dei dati GIS mediante linguaggio SQL.
- Principali criteri di interpolazione dei dati e modelli digitali del terreno
- La analisi spaziale dei geodati e overlay tematico.
- Procedure di geovisualizzazione
Modulo 2 – Intelligenza Artificiale (36 ore):
- Rappresentazione della conoscenza
- Elaborazione e visualizzazione dei dati
- Metodologie per l'apprendimento automatico
- Metodologie di valutazione dei sistemi automatici
Lingua Insegnamento
Italiano